在转移性结直肠癌中个性化三重组化疗决策:一项机器学习驱动的研究

科学领域:

• 在瘤学瘤学.
• 生物统计学 生物统计学
• 机器学习 机器学习

背景情况:

• 在转移性结直肠癌 (mCRC) 中确定三重化疗的最佳候选人是一项挑战.
• 像FOLFOXIRI/FOLFIRINOX这样的三重疗法提供了潜在的益处,但带有增加的毒性.
• 需要预测性生物标志物来指导mCRC中的治疗决策.

研究的目的:

• 开发基于机器学习的预测生物标志物,用于识别从一线三重化疗中受益的mCRC患者.
• 确定预测三重疗法的个人治疗效果 (ITE) 的临床变量.

主要方法:

• 从136名新的mCRC患者的临床和生化数据的回顾性分析.
• 机器学习模型 (T-Learner) 用于ITE估计和预测无进展生存 (PFS) ≥270天.
• 采用SHAP分析来确定模型减少的关键预测特征.

主要成果:

• 完整的模型实现了高预测性能 (ROC AUC 0.919).
• 最重要的预测变量包括主要瘤部位,费里,CA19-9,CRP,尿酸,TSH,甘油三,总蛋白质,LDL和血小板计数.
• 使用这10个特征的简化模型保留了强大的预测能力 (AUC 0.869).

结论:

• 一个机器学习模型显示出选择mCRC患者进行三重化疗的前景.
• 鉴定的生物标志物可以帮助优化治疗策略和管理毒性.
• 在更大的队列中进行前性验证对于临床实施至关重要.