Прогнозирование прогноза выживаемости при плоскоклеточном раке пищевода на основе машинного обучения

Научные отчеты, том 13, Номер статьи: 13532 (2023) Цитировать эту статью

362 доступа

1 Альтметрика

Подробности о метриках

Существующим прогностическим инструментам плоскоклеточного рака пищевода (ESCC) не хватает точности, необходимой для облегчения индивидуализированных стратегий ведения пациентов. Чтобы решить эту проблему, было проведено это исследование с целью разработки модели прогнозирования машинного обучения (ML) для управления выживанием пациентов с ESCC. Для разработки моделей прогнозирования рисков использовались шесть подходов машинного обучения, включая Rpart, Elastic Net, GBM, Random Forest, GLMboost и метод CoxPH, расширенный машинным обучением. Модель была обучена на наборе данных из 1954 пациентов с ESCC с 27 клиническими особенностями и проверена на наборе данных из 487 пациентов с ESCC. Дискриминативную эффективность моделей оценивали с помощью индекса конкордантности (C-индекс). Наиболее эффективная модель использовалась для стратификации риска и клинической оценки. Исследование показало, что стадия N, стадия T, хирургический край, степень опухоли, длина опухоли, пол, MPV, AST, FIB и Mg являются важными особенностями для выживаемости пациентов с ESCC. Расширенная модель CoxPH с машинным обучением, Elastic Net и Random Forest продемонстрировала аналогичную эффективность в прогнозировании риска смертности пациентов с ESCC и превзошла GBM, GLMboost и Rpart. Оценки риска, полученные на основе модели CoxPH, эффективно разделили пациентов с ESCC на группы низкого, среднего и высокого риска с четко различающимися трехлетними вероятностями общей выживаемости (ОВ) - 80,8%, 58,2% и 29,5% соответственно. Такая стратификация риска также наблюдалась в когорте валидации. Кроме того, модель риска продемонстрировала большую дискриминационную способность и чистую выгоду, чем стадия AJCC8, что указывает на ее потенциал в качестве прогностического инструмента для прогнозирования событий выживания и управления принятием клинических решений. Классический алгоритм метода CoxPH также оказался достаточно хорошим для интерпретативных исследований.

Рак пищевода (РП) — одно из самых летальных злокачественных новообразований в мире, имеющее чрезвычайно агрессивный характер и низкую выживаемость. Согласно глобальной статистике рака, в 2018 году было зарегистрировано около 572 000 новых случаев и 509 000 смертей1. В Китае преобладающим гистологическим типом является плоскоклеточный рак пищевода (ESCC), на который приходится примерно 90% случаев. ESCC характеризуется быстрым прогрессированием и плохим прогнозом2,3, при этом 5-летняя выживаемость составляет всего 15,3% на поздних стадиях4. Несмотря на достижения в хирургических методах и внедрение мультимодальной терапии в последние годы, прогноз ESCC остается неудовлетворительным5. Определенные биомаркеры для прогнозирования прогноза ESCC могут играть фундаментальную роль в клиническом ведении каждого пациента и иметь важное значение для выбора оптимальной медикаментозной терапии для вторичной профилактики6,7,8,9. Однако в настоящее время отсутствуют эффективные инструменты для повседневной клинической работы. Таким образом, существует острая необходимость выявления новых прогностических биомаркеров или разработки интегрированной модели прогнозирования для клинического прогнозирования.

Модели клинического прогнозирования, которые объединяют клинико-патологические параметры, лабораторные показатели и результаты выживаемости с использованием больших данных больших групп пациентов, могут помочь в принятии клинических решений и терапевтических прогнозах10,11,12. Несмотря на значительные усилия по изучению прогноза ESCC, текущие прогностические модели остаются несовершенными13,14,15,16. Предыдущие исследования в основном были сосредоточены на прогностической оценке небольшого числа клинических показателей с использованием одномерного и многомерного анализа14,15,16,17. Более того, большинство моделей прогнозирования ESCC были разработаны с использованием традиционных статистических подходов, таких как регрессия CoxPH или логистическая регрессия, без надлежащих механизмов оценки для определения наиболее эффективной модели перед ее построением13,14,15,16,17. Кроме того, размеры выборки и оцениваемые предикторы в этих исследованиях часто ограничены, что приводит к плохой воспроизводимости результатов модели и недостаточности доказательств для клинического применения14,15,16,17. Следовательно, существует необходимость разработки более полных и воспроизводимых моделей прогнозирования ESCC, которые можно было бы эффективно использовать в клинической практике.