评估结果和基于机器学习的模型,以预测小脑转移的立体性放射性手术后的局部故障风险

科学领域:

• 神经外科 神经外科
• 辐射瘤学 辐射瘤学
• 医学机器学习 医学机器学习

背景情况:

• 立体辐射手术 (SRS) 是小脑转移 (SBM) 的关键治疗方法.
• 预测局部衰竭 (LF) 对于优化SBM治疗结果至关重要.
• 机器学习 (ML) 提供了个性化预测LF的潜力.

研究的目的:

• 评估SRS对SBM (≤2厘米) 的结果.
• 开发ML算法来预测SBM的SRS后的LF概率.
• 为指导临床决策,为最佳的SBM剂量选择提供指导.

主要方法:

• 连续接受SRS治疗的SBM患者的分析 (2017年1月至2022年7月).
• 倾向性得分匹配 (PSM) 用于均衡地比较治疗因子.
• 使用变量选择和通用估计方程 (GEE) 开发预测模型.

主要成果:

• 与24 Gy (5.9%) 和22 Gy (7.7%) 相比,20 Gy (25.3%) 观察到较低的一年LF率.
• 较高的SRS剂量 (22 Gy, 24 Gy) 显著降低了LF风险 (63-74%) 与20 Gy相比.
• 在6个月,1年和2年内,ML模型在预测LF方面取得了高性能 (AUC ≥ 0.75).

结论:

• 较高的SRS剂量与SBM局部衰竭的显著减少有关.
• 开发的ML模型根据SRS剂量准确预测LF风险.
• 这些模型可以帮助临床医生选择SBM的最佳SRS剂量,改善瘤控制和随访安排.