目的:利用常规临床数据开发浆液性卵巢癌(SOC)术后复发远处转移风险机器学习预测模型。方法:收集2010年1月至2020年12月在云南省肿瘤医院行手术治疗后复发的687例SOC患者为研究对象。根据复发状态将患者分为远处转移组(
n=105)及非远处转移组(
n=582)。采用logistic回归筛选SOC远处转移相关变量,运用K最近邻(KNN)、逻辑回归(LR)、随机森林(RF)、支持向量机(SVM)和极限梯度提升(XGBoost)5种机器学习算法开发SOC术后复发远处转移风险预测模型。在模型验证方面,采用十折交叉验证方法进行内部验证。模型的性能使用受试者工作特征曲线评估。
结果:远处转移组与非远处转移组患者国际妇产科联盟(FIGO)分期(
Z=-3.81,
P<0.001)、围手术期化疗周期(
t=-5.11,
P<0.001)、淋巴结转移(
χ2=5.98,
P=0.014)、腹腔积液细胞学(
Z=-2.22,
P=0.026)、新辅助化疗(
χ2=5.29,
P=0.021)差异均具有统计学意义。多因素分析结果显示,FIGO分期(
OR=1.54,95
作者:杨丽蓉;王羽丰
来源:国际肿瘤学杂志 2023 年 50卷 4期