利用自动机器学习从临床特征和风险组预测结肠癌预后:一项回顾性队列研究

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:

• 准确预测结肠癌复发对于指导切除后辅助治疗至关重要.
• 目前的临床决策往往利用有限的特征,尽管大量的可用数据.

研究的目的:

• 评估自动机器学习 (AutoML) 模型在预测结肠癌患者预后方面的临床实用性.
• 将AutoML模型与手动训练的模型进行比较,并评估生存预测的准确性.

主要方法:

• 利用了结肠癌患者的临床特征,病理特征和血液标记.
• 开发并将自动机器学习 (AutoML) 模型与手动训练模型进行比较.
• 使用整体存活率和无病存活率结果评估模型性能.

主要成果:

• 自动ML模型表现出与手动调整模型相似的性能,具有相似的预测准确性.
• 可解释的模型将T和N分期和预后免疫和营养指数 (PINI) 确定为关键预后因素.
• 在一个独立的测试组中,XGBoost模型实现了0.798的AUC,显示了互操作性,并有助于识别可能受益于化疗的IIA期患者.

结论:

• 自动ML显示了在使用例行收集的数据来识别结肠癌中与生存相关的特征的显著潜力.
• 经过验证的模型为结肠癌护理中的个性化治疗策略提供了宝贵的见解.
• 这种方法可以帮助临床医生做出有关辅助治疗的更明智的决定.