基于机器学习的预测,使用常规的血液学指数来预测宫癌的临床结果:开发和网络实施

科学领域:

• 在瘤学瘤学.
• 血液学 血液学 血液学
• 机器学习 机器学习

背景情况:

• 宫癌的预后与瘤的侵入性有关,但目前的预测工具缺乏可访问性和通用性.
• 为改善临床决策,开发可访问和可通用的宫癌侵袭性和生存预测模型至关重要.

研究的目的:

• 开发宫癌侵袭性和存活率的预测模型,使用常规测试的综合性血液学分析.
• 通过可访问和可泛化的预测工具,增强临床决策.

主要方法:

• 对512名接受彻底手术的宫癌患者进行了回顾性分析.
• 血液学指数 (炎症,凝血,代谢标志物) 的评估与机器学习 (ML) 和传统回归集成,用于模型开发.
• 通过引导方法进行内部验证和通过决策曲线分析 (DCA) 进行临床实用性评估;部署基于Web的Shiny应用程序.

主要成果:

• 机器学习确定了预测宫癌进展和预后的关键血液学指数,其中特定的因素作为保护性或风险因素.
• 模型在手术前和后期间显示出强大的侵入性 (AUC 0.700-0.781) 和生存率 (C指数 0.790-0.906) 的预测性表现.
• 所有模型都显示AUC≥0.7,强度校准和DCA的正净益,并开发了交互式网络工具.

结论:

• 综合性血液学分析准确预测宫癌的侵袭性和存活率,帮助在关键时期做出决策.
• 用ML增强的网络实施模型可以改善风险分层和临床决策,在资源有限的环境中提供显著的好处.