Vergelijking van voorspellende prestaties van drie lymfeklierstadiëringssystemen bij colorectaal zegelringcelcarcinoom op basis van een machine learning-model

- Ons onderzoek evalueert drie lymfeklierstadiëringssystemen bij colorectaal zegelringcelcarcinoom met behulp van machine learning en de concurrerende risicomodellen om de prognostische nauwkeurigheid en de overlevingsvoorspelling te optimaliseren.

Door middel van informaticamethoden, waaronder machine learning, worden het vergelijken van risicomodellen en de Kaplan-Meier-overlevingsschatting gebruikt om de overlevingsvoorspelling en de nauwkeurigheid van de lymfeklierclassificatie te verbeteren.

Verlenging van follow-upperiodes, tijdens datering in diverse populaties, verfijning van prognostische nomogrammen en onderzoek naar moleculaire eigenschappen van colorectaal zegelringcelcarcinoom om klinische besluitvormingsinstrumenten te verbeteren.

[Verteller] Download en installeer om te beginnen SEER. Verkrijg vervolgens de statistics 8.4.3-software van de SEER-databasewebsite. Log in op de software en klik op de casuslijstsessie, gevolgd door gegevens, en selecteer de incidenten SEER-onderzoek plus gegevens, 17 registers, november 2022, sub 2000 tot 2020 database. Klik nu op selectie, gevolgd door bewerken en kies ras, geslacht, jaar van diagnose gelijk aan 2004 tot en met 2015. Selecteer vervolgens de site hercoderen ICD-0-3 WHO 2008. Klik op de tabel en selecteer in de interface met beschikbare variabelen alle vereiste diagnosegegevens. Klik vervolgens op uitvoer. Geef de gegevens een naam en klik op uitvoeren om de gegevens uit te voeren en op te slaan. Open vervolgens de X-Tile software, klik op bestand en kies voor openen. Selecteer het gegevensbestand om het in de software te importeren. Zodra de gegevens zijn geladen, brengt u de variabele sensor die overeenkomt met de overlevingsstatus in kaart, de overlevingstijd in marker één als de variabele die moet worden geanalyseerd, en zorgt u ervoor dat de gegevens correct overeenkomen. Klik nu op do, gevolgd door Kaplan-Meier en marker één om de Kaplan-Meier overlevingsanalyse uit te voeren en de overlevingscurve te genereren. Wijs vervolgens willekeurig in totaal 2.409 in aanmerking komende patiëntgegevens met SRCC toe aan een trainingscohort nummer 1.686 en een validatiecohort nummer 723 in een verhouding van 7-3. Gebruik de meegeleverde code voor willekeurige splitsing. Download en installeer de vereiste versies van RStudio- en R-software. Klik op nieuw bestand en selecteer R Script om een nieuwe R-programmeerinterface te maken. Voer vervolgens de relevante code in de code-editor in en klik op uitvoeren om de code uit te voeren. Gebruik de meegeleverde code om de variabelen in de machine learning-modellen te screenen door middel van Cox-regressieanalyse. Onderzoek daarnaast de impact van LODDS-, LNR- en PN-stadiëring op kankerspecifieke overleving bij SRCC-patiënten. Gebruik de code om de prognostische voorspellingsmogelijkheden van drie lymfekliersystemen, LODDS-, LNR- en PN-stadiëring, te vergelijken in de trainings-, validatie- en externe validatiecohorten. Gebruik vervolgens de code om een XGBoost-model te bouwen en staafdiagrammen te genereren die het relatieve belang van variabelen weergeven. Genereer operationele karakteristieken en kalibratiecurves van de ontvanger om de prestaties van de drie lymfekliersystemen te beoordelen. Gebruik vervolgens de code om een willekeurig forestmodel te bouwen en staafdiagrammen te genereren van het relatieve belang van variabelen. Genereer op dezelfde manier operationele karakteristieken en kalibratiecurves van de ontvanger om de drie lymfekliersystemen te evalueren en te vergelijken. Bouw met de juiste code een neuraal netwerkmodel en produceer staafdiagrammen van het relatieve belang van variabelen. Genereer operationele karakteristieken en kalibratiecurves van de ontvanger om de voorspellende prestaties van de drie lymfekliersystemen te vergelijken. Voer vervolgens een univariate analyse uit en zet de functiecurve voor cumulatieve incidenten uit met behulp van het bestand data.csv. Vervang de site door andere factoren om een univariate analyse voor elke factor uit te voeren. Voor multivariate analyse past u de code toe en visualiseert u met data1.csv. Plot ten slotte het nomogram, de werkingskarakteristiek van de ontvanger en de kalibratiecurve. Train het model met behulp van gegevens uit het trainingscohort en gebruik validatie- en externe validatiecohortgegevens om het model te valideren. Op basis van multivariate Cox-regressieanalyse waren LNR-, LODDS- en PN-stadiëring allemaal significant geassocieerd met kankerspecifieke overleving bij SRCC-patiënten. LNR was van het grootste belang in de RF- en XGBoost-modellen, terwijl LODDS het grootste voorspellende vermogen had in het NN-model, wat suggereert dat LODDS het meest betrouwbare LN-systeem in het algemeen is. De XGBoost-, RF- en NN-modellen bereikten een hoge voorspellende nauwkeurigheid met AUC-waarden variërend van 0,777 tot 0,851 en kalibratiecurves die nauw uitsloten op de 45 graden-lijn, wat de betrouwbaarheid van het model bevestigt. Concurrerende risicomodelanalyse identificeerde T-stadiëring, N-stadiëring, M-stadiëring, LODDS-classificatie en primaire tumorlocatie als onafhankelijke prognostische factoren. Het concurrerende risiconomogram toonde nauwkeurige kankerspecifieke overlevingsvoorspellingen voor één, drie en vijf jaar, ondersteund door goed uitgelijnde kalibratie- en ROC-curven met AUC's van meer dan 0,75.