机器学习模型与传统模型预测原发性肝内胆管癌患者生存期的效果比较

目的 使用机器学习模型预测原发性肝内胆管癌患者生存期的研究还很有限。本文比较传统模型和机器学习模型在预测原发性肝内胆管癌患者生存期上的表现。方法 我们从SEER数据库检索了2004—2015年期间确诊原发性肝内胆管癌的患者。使用分层随机划分方法,在限制组间确诊年,年龄组和死亡比例平衡的条件下,将所有样本按7∶3的比例随机划分为训练集和验证集。候选模型包括Cox比例风险模型,LASSO Cox模型,Gradient Boosting模型,Oblique Random Survival Forest模型,DeepSurv模型,DNNSurv模型,Rpart模型,Parametric生存模型,Conditional Random Forest模型和Black Boost模型。我们使用Harrell′s concordance index(C-index)评价模型在预测患者生存期上的表现。我们使用log-rank检验比较Kaplan-Meier生存曲线的差异。结果 纳入研究的肝内胆管癌患者总计5564名,其中训练集3895名(死亡2851名,73.2%),验证集1669名(死亡1223名,73.3%)。生存月份中位数(四分位间距)分别为8(3~19)和8(3~18)。肝内胆管癌患者生存期预测表现最好的模型是Cox比例风险模型,其C-index为0.74。机器学习模型在预测肝内胆管癌患者生存期的任务上表现并不优于传统Cox比例风险模型。这可能是由于SEER数据库本身缺少影响生存期的重要因素,例如切口残余肿瘤状况,患者身体状况等,而限制了机器学习模型的预测表现。Cox比例风险模型显示,生存期的影响因素包括手术,性别,婚姻,分化等级,进展分级,AJCC分级,肿瘤大小,化学治疗和放射治疗。结论 机器学习模型在预测肝内胆管癌患者生存期的表现并不优于传统模型。我们建立的Cox比例风险模型及诺莫图能够较为准确的预测肝内胆管癌患者的生存期。

艾曲波帕乙醇胺片治疗特发性血小板减少性紫癜患儿的临床研究

目的观察艾曲波帕乙醇胺片治疗特发性血小板减少性紫癜患儿的临床疗效及安全性。方法将特发性血小板减少性紫癜患儿随机分为对照组和试验组。对照组给予4 mg·kg^(-1)·d^(-1)环孢素,每日分2~3次,口服;试验组给予艾曲泊帕乙醇胺片每次25 mg,每天1次,口服。2组均治疗3个月。比较2组的临床疗效、血清白细胞介素-2(IL-2)、可溶性白细胞介素-2受体(sIL-2R)的水平,以及药物不良反应的发生情况。结果对照组和试验组各52例。治疗后,试验组和对照组的总有效率分别为92.31%(48例/52例)和78.85%(41例/52例),差异有统计学意义(P<0.05)。治疗后,试验组和对照组的血清IL-2分别为(4.35±1.81)和(5.96±2.39)μg·L^(-1);sIL-2R分别为(246.59±130.56)和(419.37±142.13)U·mL^(-1),差异均有统计学意义(均P<0.05)。试验组和对照组的总药物不良反应发生率分别为25.00%和25.00%,差异无统计学意义(P>0.05)。结论艾曲波帕乙醇胺片治疗特发性血小板减少性紫癜儿童患者的临床疗效显著,可以降低IL-2和sIL-2R水平,且药物不良反应较为轻微。