预测患有骨转移的无塑性甲状腺癌患者的预测:基于人口的研究
Yisong Yao1,2,3,4, Guibin Zheng5, Xi Chen1,2,3,4
1Department of Otorhinolaryngology, Head and Neck Surgery, Yantai Yuhuangding Hospital, Qingdao University, Yantai, China.
International journal of endocrinology
|July 1, 2025
概括
这项研究开发了一种极端渐变增强 (XGB) 模型,用于预测形甲状腺癌 (ATC) 患者的骨转移 (BM),实现高精度并提供对早期临床决策影响因素的见解.
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:
- 骨转移 (BM) 显著影响形甲状腺癌 (ATC) 患者的生存率和预后.
- 预测BM对于改善ATC患者的治疗结果至关重要.
研究的目的:
- 开发和评估机器学习模型,用于预测形甲状腺癌 (ATC) 患者的骨转移 (BM).
- 为了确定影响ATC患者的BM的关键因素.
主要方法:
- 利用来自监测,流行病学和最终结果 (SEER) 数据库 (2010-2020) 的人口统计和临床病理数据.
- 他们比较了六种机器学习模型:支持向量机 (SVM),物流回归 (LR),自适应提升 (AD),决策树 (DT),极端梯度提升 (XGB) 和随机森林 (RF).
- 使用AUC,精度,回忆,精度,F1分数,校准和精度回忆曲线评估模型;用于解释性,使用了SHapley添加式解释 (SHAP).
主要成果:
- 极端梯度增强 (XGB) 模型表现出卓越的性能,最高的F1得分为0.897分,准确度为0.878分,精度为0.924分,回忆率为0.900分和AUC为0.897分.
- 后勤回归确定了年龄,性别,肺转移和肝转移作为BM的线性预测因素.
- XGB模型强调了大都市地区,家庭收入中位数,N阶段和种族作为与ATC中的BM相关的重要因素.
结论:
- 基于XGB的预测模型在鉴定形甲状腺癌患者的骨转移方面提供了卓越的性能.
- 这项研究为有关ATC骨转移的早期临床决策提供了宝贵的理论基础.
