机器学习驱动的预后模型整合了淋巴细胞与C反应蛋白比率和TNM分期在胆囊癌中的胆囊癌
Mingyang Wang1,2, Zhengyu Chen1,2, Fusheng E3
1Department of General Surgery, Xinhua Hospital Affiliated to Shanghai Jiao Tong University School of Medicine, Shanghai, China.
Cancer medicine
|February 20, 2026
概括
使用淋巴细胞与C反应蛋白比率 (LCR) 和瘤结节转移 (TNM) 阶段测试的新模型准确地预测了胆囊癌手术后的生存率. 这种工具有助于评估激进胆囊切除术后患者的预后.
科学领域:
- 在瘤学瘤学.
- 手术瘤学手术瘤学
- 生物统计学 生物统计学
背景情况:
- 术前评估对于预测胆囊癌 (GBC) 患者进行激进胆囊切除术的预后至关重要.
- 开发准确的预后模型对于指导治疗决策和GBC患者管理至关重要.
研究的目的:
- 开发和验证用于预测GBC患者术后生存的预后模型.
- 将手术前的血液学参数和临床信息整合到预测模型中.
主要方法:
- 追溯分析了184名经过激进胆囊切除术的GBC患者.
- 利用考克斯回归,时间依赖ROC分析和LASSO回归来确定关键预测因素.
- 开发和验证机器学习模型,包括后勤回归,用于生存预测.
主要成果:
- 淋巴细胞与C反应蛋白比率 (LCR) 和瘤结节转移 (TNM) 阶段被确定为关键预测因素.
- 后勤回归模型表现出强大的预测性能,AUC范围从0.785到0.873.
- 内部验证和临床决策分析证实了该模型的稳定性和临床适用性.
结论:
- 整合LCR和TNM分期的机器学习模型是预测GBC手术后生存的强大工具.
- 该模型为手术前风险分层和GBC个性化治疗策略提供了宝贵的见解.
