術前の臨床的特徴と実験室の指標に基づいて、中央悪性腫瘍の診断を予測するためのノモグラム：遡及的研究 (PCNSL，GLIOMA)

この研究の目的は、PCNSLと神経膠腫、GBMと非GBMの正確な分化のために、臨床データの大規模なコホートに基づいて、新しい診断モデルを開発および検証することを目的としています。

広東省の倫理審査委員会は、この研究の倫理的承認を認めました（KY-Z-2022-231-01）。 このレトロスペクティブコホート研究には、新たに診断された原発性中枢神経系のびまん性大型B細胞リンパ腫（PCNSL）の127人の患者と、2016年から2024年にかけて、グアンドン州人民病院の脳神経外科省で治療された新たに診断された膠腫の586人の患者が含まれていました。 この研究に含まれる患者は、次の基準を満たしました。 （2）免疫抑制または臓器移植の病歴はありません。 （3）最初の手術前のすべての臨床指標の利用可能性。 （4）十分な臨床およびデータの可用性。 すべての参加者は、研究の目的を通知され、ヘルシンキ宣言で概説されている原則に従って、参加前に署名されたインフォームドコンセントを提供しました。

基本的な人口統計および臨床データは、初期診断および最初の外科的治療の前に収集されました。 人口統計データには年齢と性別が含まれていましたが、臨床データには末梢白血球数（WBC）、好中球とリンパ細胞比（Neut1）、リンパ細胞比（リンパ球増加）、好中球数（中性）、中性細胞数（リンパ球数）、リンパ球数（リンパ球）、モノカイト数（MONO）、International Remorize Rat（PRTHRUMBINE）が含まれます。アルブミン。

患者は、両方の診断モデルの7：3の比率で、それぞれ713人と586人の患者を含む7：3の比率でトレーニングおよび検証コホートにランダムに割り当てられました。 トレーニングセットと検証セットの間に、人口統計学的または臨床的特徴に有意差は観察されませんでした。 潜在的な予測因子を特定するために、トレーニングセットでラッソ回帰分析が実行され、いくつかの無関係または多重結核の独立変数を効果的に排除して、次元を減らしました。 その後、特性変数を決定するために、多変数ロジスティック回帰分析を採用しました。 最後に、トレーニングセットに基づいてノモグラムが構築され、検証セットで検証されました。

モデルの予測パフォーマンスは、機械学習と深い学習技術を使用して評価および検証されました。 モデルの識別は、受信機動作特性（ROC）曲線分析を使用して評価されました。 意思決定曲線分析（DCA）が採用され、モデルの純利益と臨床的有用性を評価しました。

カテゴリ変数は、周波数とパーセンテージを使用して説明されています。 カイ二乗検定またはt検定を使用して、2つのコホート間のデータを比較しました。 ラッソ回帰モデルを適用して、潜在的な多重株系性を緩和しました。 トレーニングコホートに完全なデータを持つすべての変数は、Rソフトウェアの「GLMNET」パッケージを使用して、ラッソ回帰分析に含まれていました。 このモデルは、Lambda.minで最適なパフォーマンスを達成し、候補変数を識別しました。 その後、多変数COX比例ハザード回帰分析を実行して、バイナリ結果に関連する独立した予測因子を特定しました。 次に、これらの要因を統合して、Rソフトウェアの「RMS」パッケージを使用してノモグラム予測モデルを構築しました。 7つの追加モデル - ロジスティック回帰、意思決定ツリー、ランダムフォレスト、サポートベクターマシン（SVM）、ニューラルネットワーク、XGBOOST、およびLightGBMは「CARET」パッケージを使用して構築され、「RMDA」パッケージを使用して決定曲線が生成されました。 すべての統計分析は、Rソフトウェアバージョン4.4.2を使用して実行され、p値<0.05は統計的に有意と見なされました。