使用多中心临床数据开发基于机器学习的预后模型,用于预测肺癌脑转移患者的存活率

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:

• 对肺癌脑转移 (LCBM) 的准确预后预测对于临床决策至关重要.
• 现有的预后工具可能无法完全捕捉LCBM患者结果的复杂性.

研究的目的:

• 为LCBM患者开发和验证基于机器学习的预后预测工具.
• 确定关键的预后因素,包括淋巴结转移在LCBM中的作用.

主要方法:

• 来自SEER数据库 (n=2624) 和哈尔医学大学癌症医院 (n=362) 的综合数据.
• 使用考克斯回归分析选择的预后因素.
• 构建和评估了八种预测模型,包括XGBoost,随机森林和后勤回归,使用AUC,学习曲线和PR曲线.
• 通过倾向性得分匹配和卡普兰-梅尔生存分析探索了淋巴结转移的影响.

主要成果:

• 确定的危险因素:年龄≥60,T3阶段,多器官转移. 保护因素:女性性别,家庭收入≥100,000美元.
• XGBoost模型显示出优异的性能 (例如,AUC=0.957).
• XGBoost-Surv模型在训练 (C指数=0.653) 和测试组 (C指数=0.634) 中表现稳定.
• 淋巴结转移显著影响了预后 (p<0.001).

结论:

• 多中心数据衍生的XGBoost模型准确预测LCBM患者的存活率.
• 淋巴结转移是LCBM的独立预后指标.
• 开发的模型为个性化治疗决策提供了可靠的工具.