利用机器学习和名ogram模型:提高非转移性胃癌的预后,以"双重入侵"为个性化的患者护理
Zhenwen Hao1, Zhiming Wang2, Jinfeng Ma1
1Hepatobiliary, Pancreatic and Gastrointestinal Surgery, Shanxi Hospital Affiliated to Carcinoma Hospital, Chinese Academy of Medical Sciences, Shanxi Province Carcinoma Hospital, Carcinoma Hospital Affiliated to Shanxi Medical University, Taiyuan, Shanxi, 030013, People's Republic of China.
European journal of medical research
|June 23, 2025
概括
机器学习模型,包括随机生存森林,准确地预测胃癌患者血管和神经入侵的无复发生存率. 这些先进的模型提供了比传统的nomograms更好的准确性,用于个性化术后护理.
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:
- 胃癌复发是一个重大问题,特别是在血管和神经侵入的患者中.
- 准确预测无复发生存率对于有效的术后管理和治疗计划至关重要.
研究的目的:
- 开发和验证一个机器学习 (ML) 框架,与预测激进胃切除术后复发的诺姆图集成.
- 评估各种ML模型的预测性能与胃癌患者具有血管和神经入侵的传统名录相比.
主要方法:
- 开发和验证ML模型:随机生存森林 (RSF),决策生存树 (DST) 和极端梯度增强 (XGBoost).
- 用c指数和综合布莱尔得分来预测无复发生存率的ML模型和传统的诺米克图进行比较.
- 分析了9个关键变量,包括患者人口统计,淋巴结状况,手术方法,瘤特征和分子生物标志物 (CD56,FHIT,ki67).
主要成果:
- ML模型的表现优于传统的诺米图,RSF获得了最高的c指数 (0.791).
- 所有模型都表现出良好的校准,尽管传统的名录显示了校准漂移.
- 决策曲线分析 (DCA) 显示了ML模型对传统方法的净优势.
结论:
- 随机生存森林显示,在"双重入侵"的胃癌中,无复发性生存的预测准确度更高.
- 诺姆图仍然很有价值,用于识别高风险患者,并将ML与诺姆图结合的混合模型增强临床决策.
- 这一框架支持个性化术后护理和为胃癌管理做出明智的临床决策.
