使用机器学习来预测淋巴结转移的宫癌患者的预后:基于SEER数据库的分析
Erle Deng1, Zheng Gu1, Hongtao Wei1
1Department of Pharmacy, Beijing Friendship Hospital, Capital Medical University, Beijing, China.
Reproductive sciences (Thousand Oaks, Calif.)
|April 8, 2025
概括
这项研究开发了一种有效的机器学习模型,用于预测淋巴结转移患者的宫癌预后. XGBoost模型表现出卓越的性能,有助于个性化临床管理.
科学领域:
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
- 机器学习 机器学习
背景情况:
- 宫癌是全球女性癌症死亡的主要原因之一.
- 淋巴结转移显著恶化了宫癌患者的预后.
- 准确的预后预测对于有效的临床管理至关重要.
研究的目的:
- 开发和评估机器学习模型,用于预测淋巴结转移的宫癌患者的预后.
- 确定最有效的模型来预测生存结果.
- 支持个性化治疗策略.
主要方法:
- 利用来自SEER*Stat数据库 (2000-2020) 的数据,对1016名患有宫癌和淋巴结转移的患者进行了分析.
- 构建并比较各种机器学习模型:XGBoost,随机森林,SVM,ANN和Cox的比例危险模型.
- 使用C指数,AUC,准确度和训练,测试和独立验证集的精度验证模型性能.
主要成果:
- 在验证集中,XGBoost表现出卓越的预测性能,AUC为0.787.
- XGBoost的C指数值为0.900 (培训) 和0.773 (测试) 的值.
- 考克斯回归确定了主要部位的手术是改善生存率和降低死亡率的重要因素.
结论:
- XGBoost模型对于预测淋巴结转移的宫癌患者的预后非常有效.
- 这种机器学习方法为个性化临床决策提供了宝贵的支持.
- 预后预测可以指导量身定制的治疗计划,以改善患者的治疗结果.
