预测局部晚期直肠癌的病理反应,使用基于炎症,营养和肉的标记物:回归和基于AI的分析 (CINR-AI研究)

科学领域:

• 在瘤学瘤学.
• 结直肠癌研究 结直肠癌研究
• 预测模型在医学中的预测模型.

背景情况:

• 总的新辅助疗法 (TNT) 是局部晚期直肠癌 (LARC) 的标准,但病理完整反应 (pCR) 率有所不同.
• 系统性炎症,营养状况和肉是已知的预后因素,但整合预测模型缺乏.
• 预测治疗反应对于优化LARC管理和患者结果至关重要.

研究的目的:

• 开发和验证基于临床,实验室和人工智能的模型,用于预测接受TNT的LARC患者的病理反应.
• 评估炎症标志物 (CAR,SII),肉症和临床因素的预测价值.
• 为风险分层建立复合分数 (CINR) 和机器学习模型.

主要方法:

• 对93名LARC患者的回顾性分析,他们接受了TNT治疗,随后进行了手术.
• 通过CT评估肉类,并使用C反应蛋白/白蛋白比率 (CAR) 和全身免疫炎症指数 (SII) 评估炎症/营养状况.
• 开发复合CINR得分和随机森林 (RF) 模型来预测pCR和良好的病理反应 (TRG 0-1).

主要成果:

• 病理完整响应 (pCR) 在21.5%的患者中实现,良好的病理响应 (TRG 0-1) 在46.2%的患者中实现.
• 对于pCR的预测因素包括没有TNT后的肉症,低CAR,低SII,低LDH和甲胺使用.
• CINR评分 (AUC 0.846-0.868) 和射频模型 (AUC 0.910-0.933) 显示出强大的病理反应预测性能.

结论:

• 综合的炎症,营养和肉症标志物,以及CINR得分和AI模型,可以准确预测LARC中的病理反应.
• 开发的模型和截止值可以将患者分为风险组,帮助临床决策器官保存和手术时间.
• 建议进行未来的多中心验证,以确认这些发现并支持更广泛的临床应用.