开发和评估一种最佳的机器学习模型,用于预测鼻癌患者的营养风险:一项跨部门研究

科学领域:

• 在瘤学瘤学.
• 营养科学 营养科学
• 机器学习 机器学习

背景情况:

• 接受放射治疗的鼻癌 (NPC) 患者面临营养缺乏的高风险.
• 早期识别营养风险对于及时干预和改善患者结果至关重要.
• 现有的营养风险评估工具可能对NPC患者缺乏特异性.

研究的目的:

• 开发和验证NPC患者营养风险的预测模型.
• 确定关键的临床预测因素及其营养风险的最佳范围.
• 为NPC提供早期营养干预提供基于证据的指导.

主要方法:

• 分析了接受放射治疗的520名NPC患者的队列.
• 收集了32个基线变量,包括人体测量,实验室测试和生活方式因素.
• 评估了七种机器学习模型,使用LASSO回归和SHAP值进行预测器选择和重要性评估.

主要成果:

• 在XGBoost模型中,表现最好 (AUC = 0.775).
• 确定的主要预测因素包括身体质量指数 (BMI),亚氨酸转胺酶 (ALT),临床阶段和吸烟状态.
• 特定的BMI范围 (21.524.9 kg/m2) 和更高的ALT正常水平与营养不良风险降低有关.

结论:

• 机器学习有效地整合了临床数据,以预测NPC中的营养风险.
• 该研究确定了关键风险因素的特定,临床可行的范围.
• 这种方法为NPC患者的个性化营养支持提供了增强的指导.