外媒 | 机器学习有助于划分老年癌症患者的不良结果风险-普瑞纯证

最近在JAMA Network Open上发表的一项研究描述了一种新的机器学习工具，可以帮助临床医生识别老年癌症患者中存在不良结果风险的人群。这项研究表明，老年癌症患者在癌症治疗前通常会出现各种症状，如疼痛、疲劳和失眠等。高前治疗症状严重程度的患者在癌症治疗期间经常会出现不良事件，因此需要一种方法来根据他们的不良结果风险评估来划分这些患者。

为此，研究人员开发了一种无监督的机器学习模型，并使用Geriatric Assessment Intervention for Reducing Toxicity in Older Patients With Advanced Cancer (GAP70+)试验的二次分析进行了评估。研究人员从试验中挑选了一组患者，这些患者在开始新的癌症治疗方案之前完成了国家癌症研究所患者报告的不良事件通用术语标准版本（PRO-CTCAE）。所有参与者还在美国的社区肿瘤学诊所接受治疗。最终的队列包括706名患有不同癌症类型的患者。利用这些患者的数据，机器学习模型基于基线症状严重程度的相似性对患者进行了聚类。这产生了与24个PRO-CTCAE症状相关的严重程度类别的变量。通过对每个参与者的24个变量求和，计算出此分析生成的总严重程度分数。然后，研究团队调查了这些变量群与非计划住院、死亡和毒性效应之间的潜在关联。这些不良结果被量化为3个月内的非计划住院、1年内的全因死亡和3个月内的任何临床评级3到5级的毒性效应。

该模型识别出了三个患者群，其特征是症状严重程度，研究人员将其标记为低、中和高。这些群体与某些不良结果的风险显著相关，即非计划住院和死亡。使用这个框架，机器学习工具将队列的43.9％、41.8％和14.3％分别分类为低、中和高严重程度的群体。研究团队还发现，即使对社会人口学变量、临床因素、研究组和实践场所进行控制，风险仍会增加。

版权声明 本网站所有注明“来源：普瑞纯证”或“来源：pureFDA”的文字、图片和音视频资料，版权均属于普瑞纯证网站所有。非经授权，任何媒体、网站或个人不得转载，否则将追究法律责任。取得书面授权转载时，须注明“来源：普瑞纯证”。其它来源的文章系转载文章，本网所有转载文章系出于传递更多信息之目的，转载内容不代表本站立场。