使用机器学习来预测转移性割耐药前列腺癌患者的存活率
Xingyue Huo1, Manish Kohli1, Joseph Finkelstein1
1University of Utah, Salt Lake City, UT, USA.
Studies in health technology and informatics
|April 9, 2025
概括
预测转移性割抵抗性前列腺癌 (mCRPC) 的存活率至关重要. 这项研究使用临床数据和机器学习准确预测3年生存率,识别PSA,白蛋白和LDH等关键预后生物标志物.
科学领域:
- 在瘤学瘤学.
- 生物统计学 生物统计学
- 医疗信息学 医疗信息学
背景情况:
- 预后生物标志物对于癌症患者风险分层至关重要.
- 现有的转移性割抵抗性前列腺癌 (mCRPC) 生存预测生物标志物需要提高准确性.
- 在mCRPC中准确的生存预测对于治疗规划和患者管理至关重要.
研究的目的:
- 开发一种对mCRPC患者3年生存期的预测模型.
- 确定mCRPC中生存的显著临床和人口预测因素.
- 评估机器学习算法在mCRPC生存预测中的有效性.
主要方法:
- 对664名mCRPC患者的临床和人口统计数据的分析.
- 利用一个类加权的XGBoost算法来处理数据失衡.
- 评估了41个临床和人口学变量以获得预测价值.
主要成果:
- 该XGBoost模型实现了0.73的精度和0.74.7的AUC.
- 获得了0.84的回忆,精度和F1得分,证明了强大的预测性能.
- 确定前列腺特异性抗原 (PSA),白蛋白和乳酸脱酶 (LDH) 作为显著的生存预测因子.
结论:
- 临床和人口特征,包括PSA,白蛋白和LDH,是mCRPC中3年生存的重要预测因素.
- 机器学习模型,特别是XGBoost,可以有效地预测mCRPC患者的生存率.
- 这些发现可以提高预后准确性,并指导mCRPC患者的临床决策.


