机器学习模型将肝细胞癌患者分为高风险和低风险的复发或治疗切除后死亡组

科学领域:

• 在瘤学瘤学.
• 机器学习在医学中的应用
• 手术结果研究研究.

背景情况:

• 肝细胞癌 (HCC) 复发治疗后切除显著影响患者的生存率.
• 准确预测复发和死亡率对于个性化术后管理至关重要.

研究的目的:

• 开发和比较用于预测HCC复发和死亡风险的机器学习模型.
• 为了个性化风险分层和优化辅助治疗策略.

主要方法:

• 利用了来自815名HCC患者的临床病理特征和分子标记.
• 开发并比较了四种机器学习模型:Cox,通用线性模型,XGBoost和随机生存森林 (RSF).
• 评估无复发生存率 (RFS) 和总生存率 (OS).

主要成果:

• 确定了RFS的关键预测因子 (糖尿病,白蛋白,瘤数,HCC直径,门静脉瘤血栓,失血,MSH2,EMA) 和OS (白蛋白,HCC直径,MSH2,BCLC阶段).
• 在RSF模型中,在培训和验证队伍中,RSF模型在复发和死亡率方面显示出高风险和低风险组之间的显著差异.
• 在预测5年复发和死亡概率方面取得了很高的准确性.

结论:

• RSF模型为接受切除的HCC患者提供了准确的风险分层.
• 这种分层有助于外科医生计划有效的辅助疗法,以改善患者的预后.