使用机器学习和免疫营养特征在先进的胃癌中的生存建模 在家中食用营养

科学领域:

• 在瘤学瘤学.
• 营养科学 营养科学
• 生物统计学 生物统计学

背景情况:

• 患有第四阶段胃癌和慢性肠衰竭的患者需要在家进行亲肠营养 (HPN).
• 评估预后因素对于管理这些复杂的患者至关重要.
• 营养和免疫-炎症生物标志物提供潜在的预测价值.

研究的目的:

• 评估营养和免疫-炎症生物标志物的预后意义在接受HPN的第四阶段胃癌患者中.
• 使用机器学习开发个性化的生存预测模型.
• 为了确定总体生存的关键预测因素.

主要方法:

• 对410名启动HPN的第四阶段胃腺癌患者 (2015-2023) 的二次分析.
• 对控制营养状况 (CONUT) 评分和淋巴细胞与单细胞比率 (LMR) 的评估.
• 考克斯比例危险模型和随机生存森林 (RSF) 机器学习模型的应用.

主要成果:

• 无论是CONUT得分还是LMR都是整体生存的独立预测指标.
• 较高的CONUT分数与死亡风险增加相关 (HR=1.656),而较高的LMR值是保护性的 (HR=0.632).
• RSF模型显示出高预测准确度 (C指数:0.985-0.986),CONUT得分是主要的预后因素.

结论:

• 应用于免疫营养数据的机器学习提供了一种强大的方法,用于预测HPN高级胃癌患者的生存率.
• 这种方法有助于风险分层和个性化的临床决策,以营养支持和治疗强度.
• CONUT评分和LMR集成到预测模型中可以优化患者管理.