基于机器学习的预后模型的开发,在接受尼沃卢马布免疫治疗的患者中使用系统性炎症标志物:现实世界队列研究

科学领域:

• 在瘤学瘤学.
• 免疫治疗是一种免疫疗法.
• 机器学习 机器学习

背景情况:

• 系统性炎症影响瘤的微环境和对免疫检查点抑制剂的反应,如nivolumab.
• 对尼沃卢马布反应炎症生物标志物的预测价值需要进一步了解.
• 机器学习 (ML) 模型通过分析复杂的生物标记数据,为个性化免疫疗法提供了潜力.

研究的目的:

• 开发和评估一种多算法ML模型,用于预测尼沃卢马布治疗反应.
• 用例行系统性炎症测量作为预测模型的输入.
• 评估各种ML算法的性能和可解释性,以预测免疫治疗结果.

主要方法:

• 对177名接受尼沃卢马布治疗的患者进行了回顾性分析.
• 提取基线炎症生物标志物 (中性粒细胞,淋巴细胞,血小板,CRP,LDH,白蛋白) 和衍生指数 (NLR,PLR,SII).
• 训练和测试五个ML模型 (逻辑回归,随机森林,梯度增强,SVM,神经网络),使用精度,AUC,精度,回忆,F1分数和Brier分数进行性能评估.

主要成果:

• 梯度提升实现了最高的区分能力 (AUC = 0.816).
• 支持向量机显示出优越的整体预测性能 (准确度=0.833,F1=0.909,回忆=1.00,屏障得分=0.134).
• 较高的CRP和LDH水平预测了不响应,而较高的淋巴细胞水平预测了较弱的响应,根据SHAP分析确定.

结论:

• 整合常见炎症标志物的ML模型为尼沃卢马布反应提供了有价值的预测见解.
• 适度的区分能力突显了基于炎症的ML工具对个性化免疫疗法的潜力.
• 结合临床,放射性和分子生物标志物的未来研究可以提高预测准确性和临床实用性.