Confronto delle prestazioni predittive di tre sistemi di stadiazione linfonodale nel carcinoma a cellule ad anello con sigillo colorettale basato su un modello di apprendimento automatico

- La nostra ricerca valuta tre sistemi di stadiazione linfonodale nel carcinoma a cellule ad anello con castone del colon-retto utilizzando l'apprendimento automatico e i modelli di rischio concorrenti per ottimizzare l'accuratezza prognostica e la previsione della sopravvivenza.

I metodi informatici, tra cui l'apprendimento automatico, il confronto dei modelli di rischio e la stima della sopravvivenza di Kaplan-Meier vengono utilizzati per migliorare la previsione della sopravvivenza e l'accuratezza della classificazione dei linfonodi.

Estendere i periodi di follow-up, durante la datazione in diverse popolazioni, perfezionare i nomogrammi prognostici ed esplorare i tratti molecolari del carcinoma a cellule ad anello con castone colorettale per migliorare gli strumenti decisionali clinici.

[Narratore] Per iniziare, scarica e installa SEER. Quindi ottenere il software statistiche 8.4.3 dal sito Web del database SEER. Accedi al software e fai clic sulla sessione dell'elenco dei casi, seguita dai dati, e seleziona la ricerca SEER sugli incidenti più dati, 17 registri, novembre 2022, database sub 2000-2020. Ora, fai clic su selezione, seguito da modifica e scegli razza, sesso, anno di diagnosi pari al 2004 fino al 2015. Quindi selezionare il sito ricodifica ICD-0-3 OMS 2008. Fare clic sulla tabella e nell'interfaccia delle variabili disponibili, selezionare tutti i dettagli della diagnosi richiesti. Quindi fare clic su output. Assegna un nome ai dati e fai clic su Esegui per emettere e salvare i dati. Quindi, apri il software X-Tile, fai clic su file e scegli Apri. Selezionare il file di dati per importarlo nel software. Una volta caricati i dati, mappare il sensore variabile corrispondente allo stato di sopravvivenza, il tempo di sopravvivenza nel marcatore uno come variabile da analizzare, assicurandosi che i dati corrispondano correttamente. Ora fai clic su Fai, seguito da Kaplan-Meier e dal marcatore uno per eseguire l'analisi di sopravvivenza di Kaplan-Meier e generare la curva di sopravvivenza. Quindi assegna in modo casuale un totale di 2.409 dati di pazienti idonei con SRCC a una coorte di formazione numero 1.686 e a una coorte di convalida numero 723 in un rapporto 7-3. Usa il codice fornito per la suddivisione casuale. Scarica e installa le versioni richieste dei software RStudio e R. Fare clic su un nuovo file e selezionare Script R per creare una nuova interfaccia di programmazione R. Quindi inserisci il codice pertinente nell'editor di codice e fai clic su Esegui per eseguire il codice. Utilizzare il codice fornito per esaminare le variabili incluse nei modelli di Machine Learning mediante l'analisi di regressione di Cox. Inoltre, esplorare l'impatto della stadiazione LODDS, LNR e PN sulla sopravvivenza specifica per il cancro nei pazienti con SRCC. Utilizza il codice per confrontare le capacità di previsione prognostica di tre sistemi linfonodali, LODDS, LNR e stadiazione PN tra le coorti di addestramento, convalida e convalida esterna. Quindi utilizza il codice per creare un modello XGBoost e generare grafici a barre che rappresentano l'importanza relativa delle variabili. Genera curve caratteristiche operative del ricevitore e curve di calibrazione per valutare le prestazioni dei tre sistemi linfonodali. Successivamente, utilizza il codice per creare un modello di foresta casuale e generare grafici a barre dell'importanza relativa delle variabili. Allo stesso modo, generare curve caratteristiche operative del ricevitore e curve di calibrazione per valutare e confrontare i tre sistemi linfonodali. Con il codice appropriato, costruisci un modello di rete neurale e produci grafici a barre dell'importanza relativa delle variabili. Genera le caratteristiche operative del ricevitore e le curve di calibrazione per confrontare le prestazioni predittive dei tre sistemi linfonodali. Quindi, eseguire l'analisi univariata e tracciare la curva della funzione degli incidenti cumulativi utilizzando il file data.csv. Sostituire il sito con altri fattori per eseguire l'analisi univariata per ciascun fattore. Per l'analisi multivariata, applicare il codice e visualizzare con data1.csv. Infine, tracciare il nomogramma, la curva caratteristica operativa del ricevitore e la curva di calibrazione. Addestra il modello utilizzando i dati della coorte di addestramento e utilizza i dati della coorte di convalida e di convalida esterna per convalidare il modello. Sulla base dell'analisi di regressione di Cox multivariata, LNR, LODDS e la stadiazione PN sono risultate significativamente associate alla sopravvivenza specifica per il cancro nei pazienti con SRCC. LNR ha mostrato la massima importanza nei modelli RF e XGBoost, mentre LODDS ha avuto la maggiore capacità predittiva nel modello NN, suggerendo che LODDS è il sistema LN più affidabile in assoluto. I modelli XGBoost, RF e NN hanno raggiunto un'elevata precisione predittiva con valori di AUC compresi tra 0,777 e 0,851 e curve di calibrazione che si allineano strettamente con la linea dei 45 gradi, confermando l'affidabilità del modello. L'analisi del modello di rischio concorrente ha identificato la stadiazione T, la stadiazione N, la stadiazione M, la classificazione LODDS e la localizzazione del tumore primario come fattori prognostici indipendenti. Il nomogramma di rischio concorrente ha dimostrato previsioni accurate di sopravvivenza specifiche per il cancro a uno, tre e cinque anni, supportate da curve di calibrazione e ROC ben allineate con AUC superiori a 0,75.