开发和外部验证基于机器学习的综合预后模型,用于口腔喉头癌,使用系统性炎症反应指数
Anurag K Singh1, Sung Jun Ma2, Dukagjin Blakaj2
1Department of Radiation Medicine, Roswell Park Comprehensive Cancer Center, Elm and Carlton Streets, Buffalo, NY 14203, USA.
Cancers
|December 11, 2025
概括
系统性炎症反应指数 (SIRI) 可以预测接受放射治疗的口腔癌患者的结果. 一个结合SIRI,绩效状态和吸烟史的机器学习模型有效地识别了患者的风险组,以改善生存预测.
科学领域:
- 在瘤学瘤学.
- 生物标志物 生物标志物
- 机器学习在医学中的应用
背景情况:
- 耳鼻喉 (HNC-OROP) 的头癌患者经常接受放射治疗.
- 系统性炎症反应指数 (SIRI) 在HNC-OROP.中显示出预后价值.
- 需要一个节的模型来预测HNC-OROP结果.
研究的目的:
- 评估SIRI在接受放射治疗的口腔癌患者的预后效用.
- 开发和验证一个集成SIRI的机器学习模型,用于结果预测.
主要方法:
- 对568名HNC-OROP患者进行了回顾性队列研究,这些患者接受了治疗意图的放射治疗.
- 系统性炎症反应指数 (SIRI) 由治疗前的血液检查计算.
- 随机生存森林 (RSF) 机器学习模型在421名患者的外部队列中开发和验证.
主要成果:
- 综合机器学习模型结合了SIRI,绩效状态和吸烟史,确定了三个不同的风险组.
- 这些风险组在初级 (p < 0.0001) 和外部验证队列 (p = 0.0019) 中显著分层整体存活率.
- 在验证队列中,无进展生存率也显著分层 (p = 0.0025).
结论:
- 整合SIRI,绩效状态和吸烟史的机器学习模型为口腔癌患者提供了强大的预后分层.
- 该模型已成功开发和外部验证,证明了其临床相关性.
- 在接受放射治疗的HNC-OROP患者中,SIRI是预测结果的有价值生物标志物.
