基于临床指标的非小细胞肺癌风险评估研究:一项机器学习分析

目的旨在利用机器学习方法,通过分析临床指标,评估非小细胞肺癌(non-small cell lung cancer,NSCLC)患病风险。方法本研究回顾性分析了邵阳市中心医院369例患者的人口学特征、实验室检查结果,以探究各临床指标与非小细胞肺癌之间的关系。首先进行了单因素Logistic回归分析,同时,利用随机森林分类器进行变量重要度分析,以确定对早期癌症风险评估最具影响力的指标,然后通过最小绝对收缩和选择算子回归(Least absolute shrinkage and selection operator,Lasso)进一步筛选变量。最后通过逻辑回归方法构建诺模图,并采用训练集及验证集受试者工作特征曲线(receiver operating characteristic curve,ROC)和决策曲线(decision curve analysis,DCA)进一步验证模型的准确性和可靠性。结果对评估指标进行Lasso回归和逻辑回归分析发现,BMI(P<0.001,95%CI=1.15~1.35)、SKA1(P<0.001,95%CI=1.17~1.38)、SCC(P<0.001,95%CI=2.42~7.51)、CA242(P<0.001,95%CI=1.07~1.28)和性别(P<0.05,95%CI=0.26~0.91)是评估早期癌症风险的重要指标。此外,通过测量训练集和测试集中的AUC、校准曲线和DCA曲线,表明模型具有较高的准确性和临床适用性。结论本研究通过机器学习方法分析临床指标,能够有效评估非小细胞肺癌的风险。BMI、SKA1、SCC、CA242和性别被发现是对非小细胞肺癌风险评估具有显著影响的指标,因此可作为筛查早期癌症的重要参考。