基于全血细胞计数的机器学习模型的开发和验证,以预测尿癌患者的临床结果

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:

• 尿癌 (UC) 在早期诊断和预后方面存在重大挑战.
• 有限有效的预后工具阻碍了UC患者的最佳临床管理.

研究的目的:

• 开发和验证一个机器学习模型,利用完整血清 (CBC) 数据来预测UC患者的临床结果.
• 确定预测UC的整体存活率 (OS) 的关键CBC参数.

主要方法:

• 一项回顾性,两中心的队列研究,涉及477名 (发现) 和297名 (验证) UC 患者.
• 对23个CBC变量进行分析,这些变量是在治疗前和治疗后收集的.
• 9个机器学习模型的开发和独立验证,并为最佳预测器识别选择功能.

主要成果:

• 一个包含白细胞计数和淋巴细胞百分比 (LYMPH%) 的逻辑回归 (LR) 模型显示了最佳预测性能 (AUC 0.93在发现中,0.88在验证中).
• 该模型在两个队列中都实现了高准确性,正预测值 (PPV) 和负预测值 (NPV).
• 卡普兰-梅尔分析证实,对于预测结果更差的患者,生存期显著缩短. 治疗后的WBC和LYMPH%趋势在幸存者和已故患者之间有所不同.

结论:

• 一个简单,经济高效的基于CBC的机器学习模型可以可靠地预测UC预后.
• 这种预测模型有助于UC患者管理的临床决策.
• 这项研究强调了在UC中常规CBC参数的预后价值.