机器学习方法用于预测T阶段膀癌早期复发,并与传统的统计方法进行比较

科学领域:

• 泌尿器科 泌尿器科 泌尿器科 泌尿器科
• 在瘤学瘤学.
• 医疗信息学 医疗信息学

背景情况:

• 预测Ta阶段膀癌复发对于患者管理至关重要.
• 非肌肉侵入性膀癌 (NMIBC) 需要准确的预后,以便有效的后续策略.
• 早期识别Ta膀癌的复发风险至关重要.

研究的目的:

• 将机器学习 (ML) 模型的预测性能与传统的统计方法进行比较.
• 为了评估预测T阶段膀癌2年术后复发的准确性.
• 确定与早期复发相关的重大临床和病理因素.

主要方法:

• 在2018-2021年期间,对184名患有初级Ta膀癌的患者进行了回顾性分析.
• 数据包括人口,临床,成像和病理参数.
• 使用Cox回归,随机森林,物流回归和k-最近邻居 (KNN) 算法构建了预测模型.

主要成果:

• 早期复发的重要预测因素包括身体质量指数,美国麻醉学会 (ASA) 评分和宏观血.
• 传统的考克斯回归模型给出了0.66.6的曲线下的面积 (AUC).
• 机器学习模型表现出卓越的性能:随机森林 (AUC=0.75),物流回归 (AUC=0.87) 和KNN (AUC=0.74).

结论:

• 机器学习模型在预测 Ta 膀癌复发方面明显优于传统的统计方法.
• 基于ML的预测工具可以提高NMIBC中复发风险评估的准确性.
• 这些发现支持将ML纳入膀癌随访的临床决策.