开发和验证机器学习模型用于原发性肝癌的远程转移:基于人口的研究

科学领域:

• 在瘤学瘤学.
• 数据科学数据科学数据科学
• 生物统计学 生物统计学

背景情况:

• 主要肝癌是全球癌症死亡的主要原因之一.
• 患有原发性肝癌远程转移 (PLCDM) 的患者面临着不良预后和治疗挑战.

研究的目的:

• 为了确定原发性肝癌中远程转移的独立风险因素.
• 开发和验证用于预测远程转移和整体存活率 (OS) 的机器学习模型.
• 为临床应用创建用户友好的工具.

主要方法:

• 在SEER数据库数据上进行了后勤回归和考克斯回归分析.
• 包括Random Forest在内的8个机器学习模型被构建并使用AUC和精度进行评估.
• 模型性能使用时间依赖的ROC曲线,校准和决策曲线分析进行评估,并使用沙普利分析进行解释.

主要成果:

• 分级,T阶段,N阶段,瘤大小和手术被确定为PLCDM的独立风险因素.
• 随机森林模型显示出高预测准确度 (AUC高达0.846).
• 手术,T阶段和等级是OS的关键预测因素,Cox模型的表现优于随机生存森林.

结论:

• 经过验证的机器学习模型有效地预测了原发性肝癌的远程转移和预后.
• 这些模型为管理PLCDM提供了有价值的临床决策支持.
• 开发的网络应用程序促进了这些预测模型的临床使用.