针对术前非小细胞肺癌患者开发和验证虚弱风险预测模型:一个跨部分研究
Hang Yi1, Miao Liu1, Yihao Chen2
1Department of Thoracic Surgery, National Cancer Center/National Clinical Research Center for Cancer/Cancer Hospital, Chinese Academy of Medical Sciences and Peking Union Medical College, Beijing, China.
Annals of surgical oncology
|February 19, 2026
概括
一个新的机器学习模型在手术前准确预测非小细胞肺癌患者的脆弱风险. 这种工具可以通过使用临床数据和生理标记来改善手术前评估.
科学领域:
- 在瘤学瘤学.
- 老年病的医生 老年病的医生
- 医疗信息学 医疗信息学
背景情况:
- 虚弱是非小细胞肺癌 (NSCLC) 患者不良外科结果的重要预测因素.
- 在NSCLC中准确的手术前脆弱性评估至关重要,但仍然具有挑战性.
- 传统的评估方法可能无法完全捕捉到这个人群中脆弱的复杂性.
研究的目的:
- 开发和验证一个高性能预测模型,用于NSCLC患者的脆弱风险.
- 用常规可用的临床参数和机器学习 (ML) 技术来提高预测.
- 为手术前风险分层提供可靠的工具.
主要方法:
- 一个单中心的横截面研究包括489名手术前NSCLC患者.
- 患者被分为训练 (n=342) 和验证 (n=147) 组.
- 使用FRAIL尺度评估脆弱性;开发了后勤回归和六种ML模型,并使用AUC,校准曲线和决策曲线分析进行了比较.
主要成果:
- 脆弱或脆弱前的患病率为36.1%.
- 确定的主要预测因素包括年龄,BMI,并发症等级,疲劳,行走困难,DLCO和甘油三糖 (TyG) 指数.
- 光梯度增强机 (LGBM) 模型显示出优异的性能 (验证时AUC=0.807) 与物流回归名谱 (AUC=0.77) 相比.
结论:
- 使用ML开发了一个强大的脆弱性风险预测框架.
- 将ML与TyG指数和呼吸储备等客观标志物的整合显著改善了预测准确性.
- 这一框架为NSCLC患者的手术前风险分层提供了可靠的工具.
