目的·通过机器学习方法,采用临床常见实验室指标及心脏彩色多普勒超声指标,在乳腺癌患者中探究早期识别并预测新辅助治疗后发生与代谢状态改变相关的心血管疾病高风险患者的方案。方法·连续入选2020年9月—2022年9月在上海交...目的·通过机器学习方法,采用临床常见实验室指标及心脏彩色多普勒超声指标,在乳腺癌患者中探究早期识别并预测新辅助治疗后发生与代谢状态改变相关的心血管疾病高风险患者的方案。方法·连续入选2020年9月—2022年9月在上海交通大学医学院附属仁济医院乳腺外科确诊的原发性浸润性乳腺癌女性患者。收集并记录患者的一般情况、实验室检查结果及心脏彩色多普勒超声结果。经过特征提取后,分别应用梯度增强(gradient boost,GB)、支持向量机(support vector machine,SVM)、决策树(decision tree,DT)、K-近邻(K-nearest neighbour,KNN)及随机森林(random forest,RF)5种机器学习方法构建新辅助治疗后患者炎症代谢状态改变预测模型,并比较5种模型的预测性能。结果·最终纳入232例有效临床数据,其中135例为新辅助治疗前,97例为完成4个周期的新辅助治疗后。特征提取筛选出白细胞计数、血红蛋白、高密度脂蛋白、白细胞介素-2受体和白细胞介素-8这5项特征。在多特征分析中,白细胞计数+血红蛋白+高密度脂蛋白的受试者操作特征曲线下面积高于白细胞介素-2受体+白细胞介素-8(RF:0.928 vs 0.772;GB:0.900 vs 0.792;SVM:0.941 vs 0.764;KNN:0.907 vs 0.762;DT:0.799 vs 0.714),并且在RF、SVM、GB模型中的曲线下面积(0.928、0.941、0.900)及准确率(0.914、0.897、0.776)较高;与RF、GB模型(P=0.122,P=0.097)相比,SVM模型在训练集数据上校准度较好(P=0.394)。结论·SVM模型可通过纳入白细胞计数、血红蛋白、高密度脂蛋白、白细胞介素-2受体、白细胞介素-8这5项临床常见指标,在乳腺癌患者中建立早期预测新辅助治疗后代谢状态改变相关心血管疾病风险的预测模型,可能有助于临床上建立基于患者炎症代谢状态的个体化筛查方案。展开更多
文摘目的·通过机器学习方法,采用临床常见实验室指标及心脏彩色多普勒超声指标,在乳腺癌患者中探究早期识别并预测新辅助治疗后发生与代谢状态改变相关的心血管疾病高风险患者的方案。方法·连续入选2020年9月—2022年9月在上海交通大学医学院附属仁济医院乳腺外科确诊的原发性浸润性乳腺癌女性患者。收集并记录患者的一般情况、实验室检查结果及心脏彩色多普勒超声结果。经过特征提取后,分别应用梯度增强(gradient boost,GB)、支持向量机(support vector machine,SVM)、决策树(decision tree,DT)、K-近邻(K-nearest neighbour,KNN)及随机森林(random forest,RF)5种机器学习方法构建新辅助治疗后患者炎症代谢状态改变预测模型,并比较5种模型的预测性能。结果·最终纳入232例有效临床数据,其中135例为新辅助治疗前,97例为完成4个周期的新辅助治疗后。特征提取筛选出白细胞计数、血红蛋白、高密度脂蛋白、白细胞介素-2受体和白细胞介素-8这5项特征。在多特征分析中,白细胞计数+血红蛋白+高密度脂蛋白的受试者操作特征曲线下面积高于白细胞介素-2受体+白细胞介素-8(RF:0.928 vs 0.772;GB:0.900 vs 0.792;SVM:0.941 vs 0.764;KNN:0.907 vs 0.762;DT:0.799 vs 0.714),并且在RF、SVM、GB模型中的曲线下面积(0.928、0.941、0.900)及准确率(0.914、0.897、0.776)较高;与RF、GB模型(P=0.122,P=0.097)相比,SVM模型在训练集数据上校准度较好(P=0.394)。结论·SVM模型可通过纳入白细胞计数、血红蛋白、高密度脂蛋白、白细胞介素-2受体、白细胞介素-8这5项临床常见指标,在乳腺癌患者中建立早期预测新辅助治疗后代谢状态改变相关心血管疾病风险的预测模型,可能有助于临床上建立基于患者炎症代谢状态的个体化筛查方案。
