使用基于标志的机器学习模型进行直肠癌复发和死亡率的动态预测:意大利外科瘤学术协会-结肠直肠癌网络合作小组的多中心回顾性研究
Rossella Reddavid1, Ugo Elmore2, Jacopo Moro1
1Division of Surgical Oncology and Digestive Surgery, Department of Oncology, San Luigi University Hospital, University of Turin, Orbassano, 10043 Turin, Italy.
Cancers
|April 26, 2025
概括
使用里程碑分析的新机器学习模型显著改善了直肠癌 (RC) 复发预测. 这种动态方法提供了更准确,个性化的风险概况,以获得更好的患者结果.
科学领域:
- 在瘤学瘤学.
- 生物统计学 生物统计学
- 机器学习 机器学习
背景情况:
- 结直肠癌 (RC) 复发影响近30%的治疗后患者.
- 通过监视进行早期检测对于管理RC复发至关重要.
- 传统的生存预测方法缺乏动态适应性.
研究的目的:
- 开发一种机器学习算法,用于预测直肠癌预后和复发风险.
- 为了分析患者的风险和治疗切除后复发的时间.
- 为了比较一种新的标志性方法与经典的生存分析方法.
主要方法:
- 使用基准分析对2450名直肠癌患者的分析.
- 考克斯模型 (模型A) 与基于标志的随机生存森林 (RSF) 竞争风险算法 (模型B) 的比较.
- 引导验证和系统的超参数调整,以确保模型的稳定性.
主要成果:
- 模型B (RSF) 与模型A (Cox,0.78) 相比,显示出更高的预测准确性 (C指数0.95).
- 具有里程碑意义的方法使RC复发的动态,个性化的预测成为可能.
- 确定了影响随时间推移生存结果的关键临床因素.
结论:
- 这种具有里程碑意义的方法通过结合时间依赖的变量来增强直肠癌的生存分析.
- 这种方法为患者预后提供了更精确,更动态的工具.
- 支持改善用于直肠癌管理的临床决策.
更多相关视频
06:46Competing-Risk Nomogram for Predicting Cancer-Specific Survival in Multiple Primary Colorectal Cancer Patients after Surgery
Published on: September 27, 2024
07:13Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model
Published on: April 18, 2025
