基于SEER-A多中心真实世界研究的松果部瘤机器学习预测预测模型的建立

科学领域:

• 神经瘤学神经瘤学
• 计算生物学是一种计算生物学.
• 医疗信息学医学信息学

背景情况:

• 松果区域瘤 (PRTs) 是一种罕见的内瘤,具有多种病理类型和可变的临床表现.
• 准确的生存预测对于有效管理PRTs至关重要.
• 本研究探讨了机器学习 (ML) 在PRT患者的预后建模中的应用.

研究的目的:

• 开发和评估机器学习模型,用于预测PRTs患者的整体生存率 (OS) 和癌症特异性生存率 (CSS).
• 确定影响PRT患者生存结果的关键预后因素.
• 评估ML模型在预测长期术后生存方面的临床实用性.

主要方法:

• 对PRT的临床数据来自监测,流行病学和最终结果 (SEER) 数据库.
• 卡普兰-梅尔分析,单变量和多变量考克斯回归确定了生存的风险因素.
• 七个ML模型 (决策树,物流回归,LightGBM,随机森林,XGBoost,KNN,SVM) 被开发并使用AUC-ROC,交叉验证,校准曲线和DCA进行评估.

主要成果:

• 独立的OS风险因素包括年龄,组织病理学,放射治疗和瘤大小. 对于CSS,风险因素是组织病理学,手术,放射治疗和瘤大小.
• 卡普兰-梅尔分析显示,年龄,组织病理学,婚姻状况,放射治疗,性别和手术对OS和CSS的显著影响.
• 随机森林,物流回归和XGBoost证明了OS预测的最佳临床实用性,而随机森林和LightGBM对CSS预测最有效.

结论:

• 机器学习模型在PRT患者的长期存活方面表现出显著的潜力和高预测效率.
• 这些ML模型为改善松果区域瘤的管理和预后评估提供了实质性的临床价值.
• 开发的模型可以帮助临床医生做出有关PRT治疗策略的更明智的决定.