Kolorektal Taşlı Yüzük Hücreli Karsinomda Üç Lenf Nodu Evreleme Sisteminin Prediktif Performansının Makine Öğrenmesi Modeline Dayalı Olarak Karşılaştırılması

- Araştırmamız, prognostik doğruluğu ve sağkalım tahminini optimize etmek için makine öğrenimi ve rakip risk modellerini kullanarak kolorektal taşlı yüzük hücreli karsinomda üç lenf nodu evreleme sistemini değerlendirmektedir.

Makine öğrenimi, risk modellerinin karşılaştırılması ve Kaplan-Meier sağkalım tahmini dahil olmak üzere bilişim yöntemleri, sağkalım tahminini ve lenf nodu sınıflandırma doğruluğunu artırmak için kullanılır.

Klinik karar verme araçlarını geliştirmek için çeşitli popülasyonlarda tarihleme yaparken, prognostik nomogramları rafine ederken ve kolorektal taşlı yüzük hücreli karsinomun moleküler özelliklerini keşfederken takip sürelerini uzatmak.

[Ekran Okuyucusu] Başlamak için SEER'i indirin ve yükleyin. Ardından SEER veritabanı web sitesinden istatistik 8.4.3 yazılımını edinin. Yazılıma giriş yapın ve vaka listesi oturumuna, ardından verilere tıklayın ve olay SEER araştırması artı verileri, 17 kayıt, Kasım 2022, 2000 altı ila 2020 veritabanını seçin. Şimdi, seçime tıklayın, ardından düzenle'ye tıklayın ve 2004'ten 2015'e eşit ırk, cinsiyet, tanı yılını seçin. Ardından site yeniden kodlaması ICD-0-3 WHO 2008'i seçin. Tabloya tıklayın ve mevcut değişkenler arayüzünde gerekli tüm teşhis ayrıntılarını seçin. Ardından çıktıya tıklayın. Verileri adlandırın ve verilerin çıktısını almak ve kaydetmek için yürüt'e tıklayın. Ardından, X-Tile yazılımını açın, dosyaya tıklayın ve aç'ı seçin. Yazılıma aktarmak için veri dosyasını seçin. Veriler yüklendikten sonra, verilerin doğru şekilde eşleştiğinden emin olarak, hayatta kalma durumuna, birinci işaretçideki hayatta kalma süresine karşılık gelen değişken sensörünü analiz edilecek değişken olarak eşleyin. Şimdi do'ya tıklayın, ardından Kaplan-Meier hayatta kalma analizini gerçekleştirmek ve hayatta kalma eğrisini oluşturmak için Kaplan-Meier ve birinci işaretleyiciye tıklayın. Ardından, SRCC ile toplam 2,409 uygun hasta verisini rastgele olarak 1,686 numaralı bir eğitim kohortuna ve 723-7 oranında 3 numaralı bir doğrulama kohortuna atayın. Rastgele bölme için sağlanan kodu kullanın. RStudio ve R yazılımının gerekli sürümlerini indirin ve yükleyin. Yeni bir R programlama arabirimi oluşturmak için yeni dosyaya tıklayın ve R Betiği'ni seçin. Ardından ilgili kodu kod düzenleyiciye girin ve kodu çalıştırmak için çalıştır'a tıklayın. Cox regresyon analizi ile makine öğrenmesi modellerine dahil edilen değişkenleri taramak için sağlanan kodu kullanın. Ek olarak, LODDS, LNR ve PN evrelemesinin SRCC hastalarında kansere özgü sağkalım üzerindeki etkisini keşfedin. Eğitim, doğrulama ve dış doğrulama kohortları arasında üç lenf nodu sisteminin, LODDS, LNR ve PN evrelemesinin prognostik tahmin yeteneklerini karşılaştırmak için kodu kullanın. Ardından, bir XGBoost modeli oluşturmak ve değişkenlerin göreli önemini temsil eden çubuk grafikler oluşturmak için kodu kullanın. Üç lenf nodu sisteminin performansını değerlendirmek için alıcı çalışma karakteristik eğrileri ve kalibrasyon eğrileri oluşturun. Ardından, rastgele bir orman modeli oluşturmak için kodu kullanın ve değişkenlerin göreli önemine ilişkin çubuk grafikler oluşturun. Benzer şekilde, üç lenf nodu sistemini değerlendirmek ve karşılaştırmak için alıcı çalışma karakteristik eğrileri ve kalibrasyon eğrileri oluşturun. Uygun kodla, bir sinir ağı modeli oluşturun ve değişkenlerin göreceli önemine ilişkin çubuk grafikler üretin. Üç lenf nodu sisteminin öngörücü performansını karşılaştırmak için alıcı çalışma karakteristiği ve kalibrasyon eğrileri oluşturun. Ardından, tek değişkenli analiz gerçekleştirin ve data.csv dosyasını kullanarak kümülatif olaylar işlev eğrisini çizin. Her faktör için tek değişkenli analiz gerçekleştirmek için siteyi diğer faktörlerle değiştirin. Çok değişkenli analiz için kodu uygulayın ve data1.csv ile görselleştirin. Son olarak, nomogramı, alıcı çalışma karakteristik eğrisini ve kalibrasyon eğrisini çizin. Eğitim kohortundaki verileri kullanarak modeli eğitin ve modeli doğrulamak için doğrulama ve dış doğrulama kohort verilerini kullanın. Çok değişkenli Cox regresyon analizine dayanarak, LNR, LODDS ve PN evrelemesi, SRCC hastalarında kansere özgü sağkalım ile anlamlı olarak ilişkiliydi. LNR, RF ve XGBoost modellerinde en yüksek önemi gösterirken, LODDS, NN modelinde en büyük tahmin yeteneğine sahipti ve bu da LODDS'nin genel olarak en güvenilir LN sistemi olduğunu gösteriyor. XGBoost, RF ve NN modelleri, 0,777 ile 0,851 arasında değişen AUC değerleri ve 45 derece çizgisiyle yakından hizalanan kalibrasyon eğrileri ile yüksek tahmin doğruluğu elde ederek model güvenilirliğini doğruladı. Rakip risk modeli analizinde T evrelemesi, N evrelemesi, M evrelemesi, LODDS sınıflaması ve primer tümör lokalizasyonu bağımsız prognostik faktörler olarak tanımlandı. Rekabet eden risk nomogramı, EAA'leri 0.75'in üzerinde olan iyi hizalanmış kalibrasyon ve ROC eğrileri ile desteklenen doğru bir, üç ve beş yıllık kansere özgü sağkalım tahminleri gösterdi.