临床预测模型在脊柱外科的研究进展和未来展望

老龄化、大数据、精准医疗等在近些年成为热门,人们经常在新闻或者专业的文献期刊上发现他们的身影。这些看似“时髦”的名词,却是在社会进步与发展的同时,给人们带来的挑战。老龄化一定程度代表了社会经济的发展,使拥有更高质量的生活和更长的生存时间。与此同时,部分疾病的发病率也因为老龄化有上升趋势,脊柱疾病便是其中一种。

机器学习和传统列线图预测软骨肉瘤肺转移风险的预测模型的建立与评估

目的探讨开发Nomogram和机器学习的软骨肉瘤患者的肺转移风险对的预测模型,为临床工作提供帮助。方法2010年至2016年的监测,流行病学和最终结果(The Surveillance,Epidemiology,and End Results,SEER)数据库获得的软骨肉瘤患者数据,然后通过单因素和多因素Logistics回归进行筛选,确定肺转移的危险因素。分别建立预测软骨肉瘤肺转移风险模型:Nomogram,支持向量机,决策树和神经网络。使用10-fold cross validation检验模型预测能力,计算平均AUC值,绘制最大AUC值的ROC曲线。结果本研究共纳入944例。Logistics回归分析显示,淋巴转移或未知、更大的肿瘤体积、更低的分化等级为软骨肉瘤患者出现肺转移的独立危险因素。建立预测软骨肉瘤肺转移风险的Nomogram的平均AUC为0.83,支持向量机的平均AUC为0.81,决策树的平均AUC为0.73,神经网络的平均AUC为0.76。结论淋巴转移或未知、更大的肿瘤体积、更低的分化等级为软骨肉瘤患者出现肺转移的独立危险因素。建立的Nomogram、支持向量、决策树和神经网络4个模型均有较好的预测能力。

基于SEER数据库四肢骨肉瘤肺转移风险与临床预测模型的建立与验证

目的构建列线图预测四肢骨肉瘤患者肺转移风险。方法从美国国立癌症研究所的监测、流行病学、结果数据库(surveillance,epidemiology,and end results,SEER)数据库中,收集2010年至2016年诊断的四肢骨肉瘤患者共713例,根据有无发生肺转移分为转移组(135例)和非转移组(578例)。采用单因素及多因素Logistics回归分析确定患者发生肺转移的独立危险因素,然后将这些因素纳入并构建预测四肢骨肉瘤患者发生肺转移风险的列线图。通过校正曲线对所得列线图进行内部验证,检查其预测精度。结果性别(女性,OR:0.634,95%CI 0.412~0.977,P<0.05)、原发肿瘤大小和范围(T2:1.902,1.136~3.185,P<0.05)、放疗(3.018,1.308~6.964,P<0.05)、骨转移(6.567,2.295~18.790,P<0.001)、手术方式(0.464,0.255~0.844,P<0.05)及生存时间(0.969,0.957~0.981,P<0.001)均是四肢骨肉瘤患者发生肺转移的独立预后影响因素,将这些因素纳入并成功构建了列线图。列线图的Logistics回归模型校准曲线与理想曲线基本重合,说明模型校正曲线一致性良好。结论本次研究构建的四肢骨肉瘤患者肺转移风险的列线图具有良好的预测精度,有助于骨科医师对四肢骨肉瘤患者预后做出较为准确的预后评估,有利于对骨肉瘤患者实施个体化诊疗。