用机器学习识别患有患有常见严重不良事件群的小细胞肺癌患者的风险

科学领域:

• 在瘤学瘤学.
• 医疗信息学 医疗信息学
• 生物统计学 生物统计学

背景情况:

• 接受化疗的小细胞肺癌 (SCLC) 患者通常会在血液和淋巴管疾病,感染和感染以及新陈代谢和营养障碍方面经历严重不良事件 (SAE).
• 现有的研究往往侧重于特定的SAE,如中性质减肥症,忽视了更广泛的事件组预测.

研究的目的:

• 应用机器学习来识别SCLC患者,这些患者有发展常见严重不良事件群体的风险.
• 预测这些严重不良事件的特定分类等级.

主要方法:

• 分析了五项临床试验研究的数据.
• 基于SAE组和等级的12个分析组的开发.
• 使用机器学习模型来预测SAE风险和等级.

主要成果:

• 模型实现了曲线下的面积 (AUC) 评分至少为0.714.
• 性能最好的模型预测了血液和淋巴管疾病的SAE (等级0和等级3),其AUC为1,灵敏度为0.84,特异性为0.96.
• 确定的主要预测特征是总胆红素,性酸酶和患者年龄.

结论:

• 机器学习有效地识别了SCLC患者的特定严重不良事件群体和等级的风险.
• 总胆红素,性酸酶和年龄是SCLC患者常见SAE的显著预测因素.
• 进一步的研究应该探索这些已识别的特征与SAE之间的关系,以完善患者管理策略.