机器学习模型的开发和验证,以预测乳腺癌中中度至重度的癌症相关疲劳
Zhen Liu1,2, Guoshuang Shen2, Miaozhou Wang2
1Research Center for High Altitude Medicine, Key Laboratory of High Altitude Medicine (Ministry of Education), Key Laboratory of Application and Foundation for High Altitude Medicine Research in Qinghai Province (Qinghai-Utah Joint Research Key Lab for High Altitude Medicine), Laboratory for High Altitude Medicine of Qinghai Province, Qinghai University, Xining, China.
这项研究开发了一种机器学习模型,用于预测乳腺癌幸存者的癌症相关疲劳 (CRF). XGBoost模型准确地识别了长期CRF高风险的患者,有助于个性化护理.
科学领域:
- 在瘤学瘤学.
- 机器学习 机器学习
- 生物统计学 生物统计学
背景情况:
- 与癌症相关的疲劳 (CRF) 是抗瘤治疗的常见和衰弱的副作用.
- 预测长期CRF对于有效的患者管理和幸存者护理至关重要.
研究的目的:
- 开发和验证一种机器学习模型,用于预测乳腺癌患者治疗后两年中度至严重的CRF.
- 确定长期CRF的关键临床和实验室预测因素.
主要方法:
- 从183名乳腺癌患者的临床和实验室数据的回顾性收集.
- 使用多变量逻辑回归对候选预测者的选.
- 构建和验证7个机器学习算法,包括XGBoost,通过歧视,校准和决策曲线分析评估性能.
主要成果:
- 中度至重度CRF的2年发病率为54.0%.
- 确定了八个独立的预测因素:年龄,BMI,组织学等级,更年期状态,血红蛋白,血小板计数,中性粒细胞计数和全身免疫炎症指数.
- 在验证组中,XGBoost模型表现出强的性能,AUC为0.766,显示出强大的精度,灵敏度和特异性.
结论:
- 基于XGBoost的模型为乳腺癌幸存者提供可靠的长期CRF风险预测.
- 该工具支持早期识别高风险个体.
- 这些发现可以为个性化的幸存者护理策略提供信息.
更多相关视频
07:22Measuring the Motor Aspect of Cancer-Related Fatigue using a Handheld Dynamometer
Published on: February 20, 2020
07:13Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model
Published on: April 18, 2025
相关概念视频
Cancer Survival Analysis
Mouse Models of Cancer Study
The development of transgenic, knockout, and knock-in mice has led to an exponential increase in their use as model organisms in research,...
