基于机器学习的代谢模型预测了化学免疫疗法对晚期肺状细胞癌的疗效

科学领域:

• 在瘤学瘤学.
• 代谢学 代谢学 代谢学
• 机器学习 机器学习

背景情况:

• 晚期肺状细胞癌 (LUSC) 具有有限的驱动基因阳性和治疗选择.
• 化学免疫疗法是高级LUSC的标准第一线治疗方法.
• 血清代谢学可以识别预测治疗反应的生物标志物.

研究的目的:

• 开发一种预测模型,用于晚期LUSC患者的化学免疫治疗预后.
• 整合血清代谢数据与机器学习技术.
• 确定治疗反应预测的潜在生物标志物.

主要方法:

• 在化疗免疫治疗前从晚期LUSC患者收集了79个血清样本.
• 进行了非向的代谢分析,并将患者分为响应 (R) 和非响应 (NR) 组.
• 利用机器学习 (LASSO,RF,SVM,物流回归) 来构建和验证预测模型.

主要成果:

• 在R和NR组之间确定了117种不同的代谢物.
• 开发了一个具有高精度的8代谢物预测模型 (AUC为0.973和0.944).
• 高风险患者的整体存活率 (OS) 和无进展存活率 (PFS) 显著降低.

结论:

• 整合代谢学和机器学习的8代代谢物模型可以预测接受化疗免疫治疗的晚期LUSC患者的生存结果.
• 该模型有助于在临床环境中评估治疗疗效和患者预后.
• 促进了高级LUSC的个性化治疗策略.