一个临床适用的机器学习模型,用于在转移性胰腺神经内分泌瘤中进行个性化生存预测
Zichen Yu1, Yuchen Zheng2, Kai Wang1
1General Surgery, Cancer Center, Department of Hepatobiliary & Pancreatic Surgery and Minimally Invasive Surgery, Zhejiang Provincial People's Hospital, Affiliated People's Hospital, Hangzhou Medical College, Hangzhou, China; Department of Postgraduate Training Base Alliance, Wenzhou Medical University, Wenzhou, Zhejiang, China.
这项研究开发了一种机器学习模型,用于预测转移性胰腺神经内分泌瘤 (pNETs) 的存活率. 该工具提供准确的,个性化的估计,以帮助临床决策和改善患者护理.
科学领域:
- 在瘤学瘤学.
- 机器学习 机器学习
- 生物统计学 生物统计学
背景情况:
- 转移性胰腺神经内分泌瘤 (pNETs) 的预后很差.
- 缺乏验证的模型来预测pNET患者的生存率.
- 有效的预后工具对于指导治疗决策至关重要.
研究的目的:
- 开发和验证基于机器学习的pNET转移性生存预测模型.
- 为临床决策提供准确的,个性化的生存估计.
- 为了解决在pNET管理中对预测工具的未满足需求.
主要方法:
- 利用了来自监测,流行病学和最终结果 (SEER) 数据库的数据.
- 使用 eXtreme Gradient Boosting (XGBoost) 算法开发了一个生存预测模型.
- 纳入了十个预后因素:AJCC TNM 阶段,瘤等级,手术类型,化疗,主要部位,年龄和性别.
主要成果:
- 这项研究包括1430名患者.
- XGBoost模型表现出强大的预测性能,AUROC值为0.781 (1年),0.747 (3年) 和0.741 (5年).
- 创建了一个基于Web的应用程序,用于实时,个性化的生存估计.
结论:
- 该模型通过捕捉预后变量之间的复杂相互作用来准确预测生存率.
- 它为以患者为中心的护理和个性化治疗规划提供了宝贵的工具.
- 该模型填补了对转移性pNETs的预后工具的关键缺口.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
09:53Quantifying the Brain Metastatic Tumor Micro-Environment using an Organ-On-A Chip 3D Model, Machine Learning, and Confocal Tomography
Published on: August 16, 2020
