Nomogrammi keskeisten pahanlaatuisten kasvainten diagnoosin ennustamiseksi preoperatiivisten kliinisten ominaisuuksien ja laboratorioindikaattorien perusteella: Retrospektiivinen tutkimus (PCNSL，GLIOMA)

Tämän tutkimuksen tarkoituksena oli kehittää ja validoida uusi diagnostinen malli, joka perustuu suureen kliinisen tiedon ryhmään, PCNSL: n ja gliooman ja GBM: n ja ei-GBM: n välisen tarkan erilaistumisen varalta.

Guangdongin maakunnan People's Hospital -sairaalan eettisen arviointikomitea myönsi eettisen hyväksynnän tähän tutkimukseen (KY-Z-2022-231-01). Tämä retrospektiivinen kohorttitutkimus sisälsi 127 potilasta, joilla oli äskettäin diagnosoitu primaarinen keskushermosto, diffuusi suuret B-solulymfooma (PCNSL) ja 586 potilasta, joilla oli äskettäin diagnosoitu gliooma, jota hoidettiin neurokirurgian laitoksella, Guangdongin maakunnan ihmisten sairaalassa, vuosina 2016–2024. Tässä tutkimuksessa mukana olevat potilaat täyttivät seuraavat kriteerit: (1) HIV-seronegatiivinen tila; (2) ei ole immunosuppression tai elinsiirtojen historiaa; (3) kaikkien kliinisten indikaattorien saatavuus ennen ensimmäistä leikkausta; (4) Riittävä kliininen ja tietojen saatavuus. Kaikille osallistujille ilmoitettiin tutkimuksen tarkoituksesta ja annettiin allekirjoitettu tietoinen suostumus ennen osallistumista Helsingin julistuksessa esitettyjen periaatteiden mukaisesti.

Demografiset ja kliiniset tiedot kerättiin ennen alkuperäistä diagnoosia ja ensimmäistä kirurgista hoitoa. Demografiset tiedot sisälsivät iän ja sukupuolen, kun taas kliiniset tiedot kattoivat perifeerisen valkosolujen määrän (WBC), neutrofiilien ja lymfosyyttisuhteen (neut1), lymfosyyttisuhteen (lymf1), neutrofiilimäärän (neuth), lymfosyyttimäärät (lymfia), monosyyttimäärä (mono), PTT-monosyyttimäärä (PT), PTTE). ja albumiini.

Potilaat jaettiin satunnaisesti koulutus- ja validointikohorteihin 7: 3 -suhteessa molemmille diagnostisille mallille, jotka käsittävät vastaavasti 713 ja 586 potilasta. Koulutus- ja validointijoukkojen välillä ei havaittu merkittäviä eroja demografisissa tai kliinisissä ominaisuuksissa. Mahdollisten ennustajien tunnistamiseksi Lasso -regressioanalyysi suoritettiin harjoitusjoukolle, mikä eliminoi tehokkaasti useita merkityksettömiä tai monikollineaarisia riippumattomia muuttujia mittasuhteiden vähentämiseksi. Myöhemmin käytettiin monimuuttujaista logistista regressioanalyysiä ominaismuuttujien määrittämiseen. Lopuksi rakennettiin nomogrammi koulutusjoukon perusteella ja validoitiin validointijoukossa.

Mallin ennustava suorituskyky arvioitiin ja validoitiin koneoppimisen ja syvän oppimisen tekniikoilla. Mallisyrjintä arvioitiin käyttämällä vastaanottimen toimintaominaisuuksien (ROC) käyräanalyysiä. Päätöskäyräanalyysiä (DCA) käytettiin mallin nettohyötyjen ja kliinisen hyödyllisyyden arvioimiseksi.

Kategoriset muuttujat kuvailtiin taajuuksilla ja prosenttimäärillä. Chi-neliötestejä tai t-testejä käytettiin tietojen vertaamiseen kahden kohortin välillä. Lasso -regressiomallia käytettiin potentiaalisen monikollineaarisuuden lieventämiseksi. Kaikki koulutuskohortin täydelliset tiedot sisällytettiin Lasso -regressioanalyysiin käyttämällä R -ohjelmiston "GLMNET" -pakettia. Malli saavutti optimaalisen suorituskyvyn lambda.minissä, tunnistaen siten ehdokasmuuttujat. Myöhemmin suoritettiin monimuuttujaisen Cox -suhteelliset vaarojen regressioanalyysit binaariseen lopputulokseen liittyvien riippumattomien ennustajien tunnistamiseksi. Nämä tekijät integroitiin sitten nomogrammin ennustemallin rakentamiseksi käyttämällä RMS -pakettia R -ohjelmistossa. Seitsemän ylimääräistä mallia-logistista regressiota, päätöksentekopuuta, satunnaista metsää, tukivektorikone (SVM), hermoverkko, XGBOOST ja LightGBM-rakennettu "caret" -pakettia käyttämällä, ja päätöksentekokäyrät luotiin käyttämällä "RMDA" -pakettia. Kaikki tilastolliset analyysit suoritettiin käyttämällä R-ohjelmistoversiota 4.4.2, ja p-arvoa <0,05 pidettiin tilastollisesti merkitsevänä.