机器学习用于高度肺神经内分泌癌的同步骨转移风险预测

科学领域:

• 在瘤学瘤学.
• 医疗信息学 医疗信息学
• 流行病学 流行病学

背景情况:

• 骨转移 (BM) 是高度肺神经内分泌瘤 (NET) 的常见并发症.
• 在诊断时预测同步的BM对于患者管理和治疗计划至关重要.
• 了解影响同步BM的因素可以改善早期检测和结果.

研究的目的:

• 通过使用机器学习,在高等级的肺 NET 中识别与同步骨转移相关的重要因素.
• 开发和验证同步BM的预测模型.
• 分析同步BM患者的发病率趋势和生存结果.

主要方法:

• 使用的SEER 17注册表从2010年至2021年为患有高等级肺 NET 的患者提供数据.
• 采用了八种机器学习算法,包括随机梯度提升 (GBM),用于预测模型开发和验证.
• 应用沙普利添加剂解释 (SHAP) 对于变量重要性和卡普兰-梅尔分析用于生存评估.

主要成果:

• 大约23%的患者在诊断时呈现同步的BM.
• GBM模型展示了最佳的预测性能,肝转移被确定为最重要的预测因素.
• 小细胞肺癌 (SCLC) 中同步BM的发生率显示下降趋势 (APC -2.3),而大细胞神经内分泌癌 (LCNEC) 显示没有显著变化. 癌症特异性生存时间的中位数为8个月.

结论:

• 开发的GBM模型有效地识别了高等级肺 NET 中同步BM的高风险患者.
• 肝转移是影响同步BM发展的关键因素.
• 尽管SCLC的发病率下降,同步的BM仍然与生存率差相关,这突显了需要改进风险分层和管理策略的需要.