整合机器学习风险模型用于预测肺癌患者的辐射肺炎,这些患者患有间歇性肺病
Haozheng Lu1, Aimin Jiang1, Zhaoqi Yuan1
1Shandong Provincial Key Laboratory of Precision Oncology, Shandong Cancer Hospital and Institute, Shandong First Medical University and Shandong Academy of Medical Sciences, Jinan, Shandong, China.
Annals of medicine
|February 27, 2026
概括
一种新型的诺米图准确地预测了患有间歇性肺病 (ILD) 的肺癌患者的辐射性肺炎 (RP) 风险. 该工具整合了临床,剂量计和炎症数据,用于个性化放射治疗规划和改善患者的治疗结果.
科学领域:
- 在瘤学瘤学.
- 辐射疗法 辐射疗法
- 肺部病理学 肺部病理学
背景情况:
- 放射性肺炎 (RP) 是肺癌患者的严重并发症 间歇性肺病 (ILD) 接受放射治疗.
- 准确的风险分层对于个性化管理至关重要,但目前的预测模型缺乏多式联运数据集成.
研究的目的:
- 为RP风险评估开发一种基于机器学习的新型名ogram.
- 诺米图集结了高风险人群中的临床,剂量和炎症预测因素.
主要方法:
- 这是一项对424名ILD患者的回顾性研究.
- 机器学习算法生成了复合剂量计 (D评分) 和炎症指标 (Inflamm评分).
- 使用这些得分和临床因素构建了一个多变量逻辑回归名图.
主要成果:
- 在47%的患者中发生了RP.
- 综合名图显示出优异的分辨率 (AUC = 0.929),显著超过临床模型和个人得分.
- 诺米图显示了强大的校准和临床实用性,用于早期识别高风险患者.
结论:
- 综合名图为ILD肺癌患者提供准确的,个性化的RP风险评估.
- 这种工具可以指导放射治疗调整,预防干预和治疗决策,以更好地照顾患者.
