一个基于机器学习的预测模型,用于结直肠肝转移.

科学领域:

• 在瘤学瘤学.
• 医疗信息学 医疗信息学
• 生物统计学 生物统计学

背景情况:

• 结肠直肠肝转移 (CRLM) 显著恶化结肠直肠癌 (CRC) 的预后.
• 准确预测CRLM对于及时干预和改善患者结果至关重要.
• 现有的预测方法往往缺乏全面的验证或与临床实践的整合.

研究的目的:

• 开发和验证基于机器学习 (ML) 的CRLM风险预测模型,使用传统的临床数据.
• 确定可预测CRLM发生的关键临床变量.
• 创建一个临床适用的工具,用于预测CRC患者的CRLM风险.

主要方法:

• 从865名CRC患者 (2018年1月至2024年9月) 的临床数据的回顾性分析.
• 使用最小绝对收缩和选择操作员 (LASSO) 回归来进行变量选择.
• 开发并比较了五个ML算法,为最终模型 (CRLM-Lab6) 选择了随机森林.
• 使用ROC曲线,精度回忆曲线,决策曲线分析和校准曲线评估模型性能.

主要成果:

• 基于随机森林的CRLM-Lab6模型,包括LDH,CA199,ALT,CEA,TBIL和AGR,显示出卓越的预测性能.
• 该模型实现了0.94的曲线下面积 (AUC),灵敏度为0.88和特异性为0.93.
• 该模型被集成到一个网络应用程序中,以提高临床实用性.

结论:

• 一个新的ML驱动的CRLM风险预测模型 (CRLM-Lab6) 已成功开发和验证.
• 该模型利用现有的实验室测试数据进行准确和有效的风险评估.
• 这种工具具有很大的临床应用潜力,用于管理患有肝转移风险的CRC患者.