机器学习改善了移植后的HCC复发预测

科学领域:

• 肝胆道手术 肝胆道手术
• 移植医学 移植医学
• 在瘤学瘤学.

背景情况:

• 肝移植 (LT) 后肝细胞癌 (HCC) 复发仍然是一个重大的临床挑战.
• 对移植后复发的准确预测对于患者管理和资源分配至关重要.

研究的目的:

• 开发和验证先进的机器学习 (ML) 模型,以更好地预测LT后的HCC复发.
• 确定有助于移植后HCC复发的新风险因素.

主要方法:

• 使用了联合器官共享网络 (UNOS) 数据库,用于接受LT (2015-2018) 的成人HCC患者.
• 评估了50多个临床,放射,实验室和探索病理学变量.
• 采用递归特征消除和梯度增强生存和随机生存森林算法.
• 将ML模型的性能与已建立的瘤移植后复发风险估计 (RETREAT) 评分进行比较.

主要成果:

• 梯度增强生存模型实现了0.73的C指数,超过了RETREAT得分 (C指数0.70).
• 关键预测因素包括扩展性瘤负担得分,移植前的α-fetoprotein (AFP),AFP斜率,微血管入侵和瘤分化.
• 一个手术前的ML模型 (C指数为0.69) 结合了AFP,瘤负担和白蛋白-白素 (ALBI) 度变化也证明了预测能力.

结论:

• 开发了一种新的ML模型,在预测LT后HCC复发方面超越了当前的临床工具.
• 该模型可以改善移植后监测和辅助治疗决策的风险分层.
• 移植前的ML模型可以帮助完善LT的资格,补充像米兰标准这样的现有标准.