通过机器学习识别用于宫癌预防的数据驱动临床子组:基于人口的,外部的和诊断验证的研究
Zhen Lu1, Binhua Dong2,3, Hongning Cai4
1School of Public Health (Shenzhen), Sun Yat-sen University, Shenzhen, China.
JMIR public health and surveillance
|March 19, 2025
概括
机器学习确定了5个宫癌预防小组,具有明显的癌前风险. 这使得个性化策略成为可能,优先考虑高风险群体进行肠镜检查,并为低风险群体扩大HPV查规模.
科学领域:
- 在瘤学瘤学.
- 基因组学就是基因组学.
- 公共卫生 公共卫生
背景情况:
- 宫癌预防 (CCP) 仍然是一个重大的全球卫生挑战.
- 需要个性化,数据驱动的CCP策略来改善结果.
- 将预防量身定制为表型特征可以减少疾病负担.
研究的目的:
- 使用机器学习识别不同的宫癌前期和癌症风险小组.
- 在独立的数据集中验证子组预测.
- 提出一个计算现象映射策略,以加强全球CCP的努力.
主要方法:
- 将无监督机器学习应用于具有深度表型的队列,以识别CCP子组.
- 使用加权后勤回归来确定宫内皮质瘤 (CIN2+和CIN3+) 的风险.
- 为个人分类培训了一个受监督的模型,并在外部队列上验证了它.
主要成果:
- 从超过55万名女性中确定了5个不同的中共共产党小组.
- 与CCP1.1.相比,CCP2-4小组对CIN2+和CIN3+的风险明显更高.
- 验证了三重战略,优先考虑高危子组 (CCP3-4) 进行结肠镜检查,并扩大针对CCP1-2.2的HPV查规模.
结论:
- 机器学习和电子健康记录可以增强CCP策略.
- 识别CIN2+/CIN3+风险的关键决定因素和分类子组为定制预防提供了数据驱动的基础.
- 拟议的三重战略提供了一个可扩展的工具,以补充现有的宫癌查指南.


