在结直肠癌中预测化疗诱导的骨髓抑制:一个可解释的,基于机器学习的名ogram

科学领域:

• 在瘤学瘤学.
• 生物信息学是一种生物信息学.
• 机器学习 机器学习

背景情况:

• 结肠直肠癌 (CRC) 治疗通常涉及化疗,这是护理的基石.
• 化疗诱导的骨髓抑制是CRC患者显著的剂量限制毒性.
• 现有的预测模型缺乏可解释性和机器学习集成,用于骨髓抑制风险.

研究的目的:

• 开发和验证一种可解释的临床机器学习名录,用于预测CRC中化疗诱导的骨髓抑制.
• 将临床预测器与机器学习算法集成在一起,以准确估计风险.
• 为接受化疗的CRC患者提供个性化预防策略的工具.

主要方法:

• 对接受一线化疗的855名CRC患者的回顾性分析.
• 使用LASSO,决策树,随机森林和专家共识的特征选择确定了10个预测因素.
• 评估了10个机器学习算法;最佳模型通过特征映射算法集成到名图中.

主要成果:

• 临床机器学习名图显示了高预测性能 (AUC=0.96,AUPRC=0.93) 和准确性 (0.90).
• 极端梯度增强显示出最好的初始性能 (AUC=0.97).
• 在内部测试中,名图表表现出良好的校准,临床实用性和稳定性 (AUC=0.95).

结论:

• 开发的临床机器学习名录是预测化学疗法诱导的CRC骨髓抑制的可靠工具.
• 诺米图提供了临床解释性和对个性化风险评估的实用性.
• 该工具支持优化治疗决策和个性化患者护理策略.