在真实世界中,基于机器学习的化学疗法对肺癌的不良影响的预测

科学领域:

• 在瘤学瘤学.
• 计算生物学 计算生物学
• 医疗信息学 医疗信息学

背景情况:

• 系统化疗是局部晚期非小细胞肺癌 (NSCLC) 的标准.
• 化疗诱导的不良反应 (AE) 限制了治疗效果和患者的生活质量.
• 预测和早期检测AE可以提高化疗的有效性和患者的福祉.

研究的目的:

• 开发机器学习 (ML) 模型,用于预测NSCLC患者常见的化疗相关副作用.
• 评估不同ML算法的性能,包括随机森林 (RF),在使用动态处理数据预测AE.
• 评估AE对治疗疗效和患者预后的影响.

主要方法:

• 利用来自电子健康记录系统的403名NSCLC患者的1659个化疗记录的数据集.
• 采用了ML算法 (RF,多层感知器,AdaBoost) 来构建AE的预测模型.
• 使用五倍交叉验证,ROC曲线和校准曲线验证的模型,与Shapley增量解释值排名特征重要性.

主要成果:

• 射频模型在预测骨髓抑制 (AUC=0.75),低白蛋白 (AUC=0.74) 和肝功能障碍 (AUC=0.76) 方面表现强.
• 校准曲线显示线性 (r2≥0.99),表明可靠的预测.
• 经历多次副作用的患者显示,新辅助化疗的疗效和预后明显恶化.

结论:

• 多重副作用的发生会对化疗疗效率和肺癌患者的治疗结果产生负面影响.
• 基于ML的化学疗法相关的AE预测模型代表了改善NSCLC治疗策略和患者预后的有希望的方法.
• 使用较少选项的优化ML模型实现了显著的性能改进.