基于机器学习算法的胰腺鳞状细胞癌预后模型的构建与验证

摘要：

目的 胰腺鳞状细胞癌(pancreatic squamous cell carcinoma,PSCC)预后差,缺乏个体化的预后预测工具.研究通过SEER数据库中的大样本真实世界数据,基于机器学习算法,构建PSCC病人预后列线图,旨在精准化、个体化评价PSCC病人的预后,为临床决策制定提供参考.方法 提取SEER数据库中2000～2019年期间经病理学确诊的PSCC病人的临床资料,以7∶3的比例随机划分为训练集和验证集,采用多因素Cox比例风险模型、LASSO回归模型和随机生存森林模型筛选变量,构建预测 3、6、12 个月肿瘤特异性生存期(cancer-specific survival,CSS)和总生存期(overall survival,OS)的Nomogram模型,利用一致性指数、受试者操作特征曲线操作、校准曲线、生存曲线、决策曲线分析对模型进行验证和评估.结果 本研究共纳入367例病人,其中训练集256例,验证集111例.训练集和验证集病人的中位随访时间分别为3(1,7)个月和2(1,8)个月.两组间的基线特征均衡(均P＞0.05).多因素Cox比例风险模型显示:肿瘤大小、T分期、M分期、手术、化疗是OS和CSS的独立影响因素(均P＜0.05).LASSO回归模型显示:M分期、手术、化疗和OS、CSS相关.随机生存森林模型显示,影响OS的重要性评分前4位变量分别为化疗、M分期、手术和年龄,而影响CSS的重要性评分前4位变量分别为化疗、M分期、手术和肿瘤大小.基于这些因素所构建的Nomogram用于预测病人3、6个月的OS和CSS.验证结果表明:对于OS,训练集和验证集中一致性指数分别为0.753(95%CI:0.720～0.790)和0.723(95%CI:0.660～0.780);对于CSS,两者分别为0.749(95%CI:0.720～0.780)和0.721(95%CI:0.660～0.780).受试者操作特征曲线操作显示:对于3个月OS,训练集和验证集的曲线下面积(AUC)分别为79.8%和75.9%;对于6个月OS,训练集和验证集的AUC为78.9%和76.8%;对于12个月OS,训练集和验证集的AUC为78.7%和77.5%;对于3个月CSS,训练集和验证集的AUC为79.3%和76.3%;对于6个月CSS,训练集和验证集的AUC为78.6%和76.9%;对于12个月CSS,训练集和验证集的AUC为77.8%和77.4%.校准曲线均靠近理想的45°参考线,表现出良好的一致性.结论 年龄、M分期、肿瘤部位、手术和化疗是病人预后的独立影响因素.研究构建的Nomogram预测模型具有良好的预测价值,有利于临床对PSCC病人选择个性化治疗.

关键词：胰腺肿瘤、癌鳞状细胞、列线图、预后、SEER数据库

所属期刊栏目：37

分类号：R735.9(肿瘤学)

资助基金：绵阳市卫健委课题;绵阳市中医医院课题;成都中医药大学校院联合创新基金

在线出版日期：2024-08-29（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：261-270