Un nomograma para predecir el diagnóstico de tumores malignos centrales basados ​​en características clínicas preoperatorias e indicadores de laboratorio: un estudio retrospectivo (PCNSL，GLIOMA)

Este estudio tuvo como objetivo desarrollar y validar un nuevo modelo de diagnóstico, basado en una gran cohorte de datos clínicos, para una diferenciación precisa entre PCNSL y Glioma, y ​​GBM y no GBM.

El Comité de Revisión de Ética del Hospital Popular Provincial de Guangdong otorgó la aprobación ética para este estudio (KY-Z-2022-231-01). Este estudio de cohorte retrospectivo incluyó a 127 pacientes con un sistema nervioso central primario recién diagnosticado difusa de linfoma grande de células B (PCNSL) y 586 pacientes con glioma recién diagnosticado, tratados en el Departamento de Neurocirugía, Hospital de Pueblo Provincial Guangdong, entre 2016 y 2024. Los pacientes incluidos en este estudio cumplieron los siguientes criterios: (1) estado-seronegativo del VIH; (2) sin antecedentes de inmunosupresión o trasplante de órganos; (3) disponibilidad de todos los indicadores clínicos antes de la primera cirugía; (4) suficiente disponibilidad clínica y de datos. Todos los participantes fueron informados sobre el propósito del estudio y proporcionaron consentimiento informado firmado antes de la participación, de acuerdo con los principios descritos en la Declaración de Helsinki.

Se recopilaron datos demográficos y clínicos básicos antes del diagnóstico inicial y el primer tratamiento quirúrgico. Los datos demográficos incluyeron edad y sexo, mientras que los datos clínicos abarcaban el recuento de glóbulos blancos periféricos (WBC), la relación de neutrófilos a linfocitos (neutr1), la relación linfocitaria (Lymph1), el recuento (tiempo de neutrófilos (neutrófilos), el recuento de linfocitos (linfo), el recuento de mono (mono), la relación normalizada internacional (inrombín), el tiempo de los pótrafos (linfo (linfo), el recuento mono (mono), el índice internacional (inrombín), el tiempo de los pótrafos (linfo (linfo), el recuento mono (mono), el índice internacional (inrombín) (neutr), el tiempo de los lymfocitos. albúmina.

Los pacientes fueron asignados aleatoriamente a cohortes de entrenamiento y validación en una relación 7: 3 para los modelos de diagnóstico, que comprenden 713 y 586 pacientes, respectivamente. No se observaron diferencias significativas en las características demográficas o clínicas entre los conjuntos de entrenamiento y validación. Para identificar predictores potenciales, el análisis de regresión de Lasso se realizó en el conjunto de entrenamiento, eliminando efectivamente varias variables independientes irrelevantes o multicolineales para reducir la dimensionalidad. Posteriormente, se empleó un análisis de regresión logística multivariable para determinar las variables características. Finalmente, se construyó un nomograma en función del conjunto de capacitación y validado en el conjunto de validación.

El rendimiento predictivo del modelo se evaluó y validó utilizando técnicas de aprendizaje automático y aprendizaje profundo. La discriminación del modelo se evaluó mediante análisis de curva de características operativas del receptor (ROC). El análisis de la curva de decisión (DCA) se empleó para evaluar el beneficio neto y la utilidad clínica del modelo.

Las variables categóricas se describieron utilizando frecuencias y porcentajes. Se utilizaron pruebas de chi cuadrado o pruebas t para comparar datos entre las dos cohortes. Se aplicó un modelo de regresión de lazo para mitigar la posible multicolinealidad. Todas las variables con datos completos en la cohorte de capacitación se incluyeron en el análisis de regresión de Lasso utilizando el paquete "GLMNET" en el software R. El modelo logró un rendimiento óptimo en Lambda.min, identificando así las variables candidatas. Posteriormente, se realizó un análisis de regresión de riesgos proporcionales de Cox multivariables para identificar predictores independientes asociados con el resultado binario. Estos factores se integraron para construir un modelo de predicción de nomograma utilizando el paquete "RMS" en el software R. Siete modelos de regresión-lógica de modelos adicionales, árbol de decisión, bosque aleatorio, máquina de vectores de soporte (SVM), red neuronal, XGBOost y LightGBM se construyeron utilizando el paquete "Caret" y las curvas de decisión se generaron utilizando el paquete "RMDA". Todos los análisis estadísticos se realizaron utilizando el software R versión 4.4.2, y un valor p <0.05 se consideró estadísticamente significativo.