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
