هر روز یک مقاله،  شنبه ۱۴ شهریور ۱۴۰۵

عنوان: Machine learning prediction of postoperative recurrence in bladder cancer using clinical and laboratory indicators

خلاصه: این مطالعهٔ گذشته نگر چندمرکزی، ۴۸۸ بیمار مبتلا به سرطان مثانهٔ غیر مهاجم به لایهٔ عضلانی را از سه بیمارستان چینی در بازهٔ زمانی ۲۰۱۸ تا ۲۰۲۳ مورد بررسی قرار داد. محققان با ادغام ویژگیهای بالینی، عوامل سبک زندگی، بیماریهای همراه، مشخصات مرتبط با تومور، متغیرهای جراحی و پارامترهای آزمایشگاهی اندازه گیری شده در ۳ ماه پس از عمل، مدلهای یادگیری ماشین را برای پیشبینی خطر عود پس از جراحی توسعه و اعتبارسنجی کردند. پس از حذف متغیرهایی با بیش از ۲۰٪ دادههای میس شده و اعمال روش نسبت دهی (KNN)، ۳۲ متغیر بالینی تحلیل شدند و با استفاده از نمونه گیری تصادفی طبقه ای، گروه داخلی به دو بخش آموزش (۷۰٪) و تست (۳۰٪) تقسیم شد؛ ضمن اینکه بیماران یکی از بیمارستان ها به عنوان گروه اعتبارسنجی خارجی در نظر گرفته شدند. چهار الگوریتم یادگیری ماشین شامل XGBoost، جنگل تصادفی، ماشین بردار پشتیبان و k-نزدیکترین همسایگی به کار گرفته شدند.

تحلیلهای رگرسیون لجستیک تک متغیره و چندمتغیره نشان داد که سن، سابقهٔ استعمال دخانیات، مرحلهٔ تومور، تعداد تومور، اندازهٔ تومور، درجهٔ پاتولوژیک، نسبت نوتروفیل به لنفوسیت، سیتولوژی ادرار، هماچوری، نشانگر NMP22 و آلکالین فسفاتاز به عنوان پیشبینی کننده های مستقل عود محسوب میشوند. مدل XGBoost بهترین عملکرد پیشبینی را از خود نشان داد و سطح زیر منحنی راک آن در مجموعهٔ آموزش ۰/۹۶۰، در مجموعهٔ اعتبارسنجی داخلی ۰/۹۲۵ و در گروه اعتبارسنجی خارجی ۰/۸۵۰ به دست آمد. منحنی های کالیبراسیون همبستگی عالی بین احتمالات پیشبینی شده و پیامدهای مشاهده شده را نشان دادند و تحلیل منحنی تصمیم گیری سود خالص بالینی بیشتری را نسبت به استراتژیهای درمان همه یا درمان هیچکدام تأیید کرد. اعتبارسنجی متقابل ۱۰تایی در گروه داخلی نیز عملکرد پایدار XGBoost را با AUC معادل ۰/۹۲۳۴ ± ۰/۰۳۸۴ و دقت ۰/۸۲۷۶ نشان داد که در تمامی معیارهای ارزیابی (تمایز، کالیبراسیون و سود بالینی) نسبت به سایر مدلها برتری داشت. تحلیل SHAP نیز سابقهٔ استعمال دخانیات، مرحلهٔ تومور، تعداد تومور، اندازهٔ تومور، درجهٔ پاتولوژیک، NLR، سیتولوژی ادرار، هماچوری و NMP22 را به عنوان تأثیرگذارترین پیشبینی کننده ها معرفی کرد که در این میان، سابقهٔ استعمال دخانیات و مرحلهٔ تومور بیشترین تأثیر را بر خطر عود داشتند.

تأثیر بالینی این مطالعه قابل توجه است، زیرا رویکردی دقیقتر و شخصی سازی شده برای مراقبت های پس از جراحی در مقایسه با ابزارهای سنتی مانند جداول خطر EORTC و سیستم امتیازدهی CUETO ارائه میدهد. توانایی این مدل در ادغام نشانگرهای زیستی پویای پس از عمل، به ویژه نسبت نوتروفیل به لنفوسیت اندازه گیری شده در ۳ ماهگی، بینش های جدیدی در مورد نقش التهاب سیستمیک در فرایند عود فراهم می کند و به پزشکان امکان میدهد بیماران پرخطر را زودتر شناسایی کرده و مراقبتهای فشرده تر یا درمان های کمکی را برای آنها در نظر بگیرند. گنجاندن نشانگرهای آزمایشگاهی به آسانی قابل دسترس در کنار عوامل کلینیکوپاتولوژیک تثبیت شده، این مدل را برای استفاده روزمره در بالین عملی می سازد. قابلیت تفسیرپذیری مبتنی بر SHAP به پزشکان کمک میکند تا سهم هر عامل خطر را در سطح بیماران به صورت فردی درک کنند و فرآیند برقراری ارتباط درباره ریسک و تصمیم گیری مشترک را تسهیل می کند. با این حال، محدودیت هایی مانند طراحی گذشته نگر، تغییرات احتمالی مختص مرکز در مدیریت بیماران، فقدان طبقه بندی های استاندارد شده خطر و نبود مقایسه مستقیم با ابزارهای پیشبینی تثبیت شده وجود دارد. با وجود این محدودیتها، اعتبارسنجی خارجی قوی و انتخاب جامع ویژگی ها نشان می دهد که این رویکرد یادگیری ماشین میتواند به طور قابل توجهی استراتژی های مدیریت پس از عمل را بهبود بخشد و با مداخله زودهنگام در بیماران پرخطر، احتمالا عوارض ناشی از عود را کاهش دهد.

https://www.nature.com/articles/s41598-026-48493-4