无监督集群成功预测NSCLC脑转移队列中的预后

科学领域:

• 在瘤学瘤学.
• 数据科学数据科学数据科学
• 生物统计学 生物统计学

背景情况:

• 计算机辅助系统中的复杂算法可能会给临床医生带来负担.
• 需要简单,有效的方法来对患者进行分类.
• 无监督的集群分析可以确定脑转移 (BM) 的非小细胞肺癌 (NSCLC) 的预后亚组.

研究的目的:

• 采用无监督的集群分析来识别患有BM的NSCLC患者的预后亚组.
• 为了比较两步聚类 (TSC) 和等级聚类分析 (HCA) 在患者分层中的有效性.
• 评估这些集群方法是否为传统的预后评估提供了可行的替代方案.

主要方法:

• 追溯收集95名患有BM的NSCLC患者的数据.
• 将TSC和HCA应用于基线临床数据以确定子组.
• 将聚类结果与诊断特异性分级预后评估 (DS-GPA) 和使用卡普兰-梅尔和日志等级测试的生存分析进行比较.

主要成果:

• 层次集群分析 (HCA) 显示了最高的歧视力 (C指数=0.721),表现优于TSC (C指数=0.650) 和DS-GPA (C指数=0.709).
• 无论是TSC还是HCA,都显著地将患者划分为预后集群 (p < 0.001).
• 集群方法显示了与DS-GPA指数相比较的预后性能.

结论:

• 无监督集群方法 (TSC和HCA) 与DS-GPA指数可比,用于在患有BM的NSCLC患者的预后表现.
• 这些数据驱动的集群方法为患者分层提供了一个有希望的前景.
• 需要进一步验证,以确定无监督聚类在这个患者群体的预后建模中的最终作用.