수술 전 임상 특성 및 실험실 지표에 기초한 중앙 악성 종양의 진단을 예측하기위한 노모 그램 : 후 향적 연구 (PCNSL，GLIOMA)

이 연구는 PCNSL과 Glioma, GBM 및 비 GBM 간의 정확한 차별화를 위해 임상 데이터의 큰 코호트를 기반으로 새로운 진단 모델을 개발하고 검증하는 것을 목표로했습니다.

광동 지방 인민 병원의 윤리 검토위원회는이 연구에 대한 윤리적 승인을 받았다 (KY-Z-2022-231-01). 이 후 향적 코호트 연구에는 새로 진단 된 1 차 중추 신경계 확산 큰 B 세포 림프종 확산 큰 B 세포 림프종 (PCNSL)과 새로 진단 된 신경 교종이있는 586 명의 환자가 2016 년에서 2024 년 사이에 광동 지방 인민 병원에서 치료를받은 586 명의 환자를 포함했습니다. 이 연구에 포함 된 환자는 다음과 같은 기준을 충족했습니다. (2) 면역 억제 또는 장기 이식의 병력이 없다. (3) 첫 번째 수술 전에 모든 임상 지표의 이용 가능성; (4) 충분한 임상 및 데이터 가용성. 모든 참가자는 연구의 목적에 대한 정보를 얻었고 헬싱키 선언에 요약 된 원칙에 따라 참여 전에 사전 사전 동의를 제공했습니다.

기본 인구 통계 및 임상 데이터는 초기 진단 및 첫 번째 외과 치료 전에 수집되었습니다. 인구 통계 학적 데이터는 연령과 성별을 포함하는 반면, 임상 데이터는 말초 백혈구 수 (WBC), 호중구 대 림프구 비율 (중성), 림프구 비율 (림프 1), 호중구 수 (중성), 림프구 수 (림프), 모노 세포 수 (모노 세포), 국제 정규화 (INR), Prothermin (prothermin) 및 Prothertombin 비율을 포함했습니다.

환자는 각각 713 명과 586 명의 환자를 포함하는 진단 모델에 대해 7 : 3 비율로 훈련 및 검증 코호트에 무작위로 배정되었다. 훈련 및 검증 세트 사이에는 인구 통계 학적 또는 임상 적 특성의 유의 한 차이가 관찰되지 않았습니다. 잠재적 예측 변수를 식별하기 위해, 훈련 세트에서 Lasso 회귀 분석을 수행하여, 차원을 줄이기 위해 관련이 없거나 다중 실린 독립 변수를 효과적으로 제거했습니다. 결과적으로, 다 변수 로지스틱 회귀 분석을 사용하여 특성 변수를 결정 하였다. 마지막으로, 노모 그램은 훈련 세트에 따라 구성되어 검증 세트에서 검증되었습니다.

모델의 예측 성능은 기계 학습 및 딥 러닝 기술을 사용하여 평가 및 검증되었습니다. 수신기 작동 특성 (ROC) 곡선 분석을 사용하여 모델 식별을 평가했습니다. 의사 결정 곡선 분석 (DCA)은 모델의 순 이익과 임상 유용성을 평가하기 위해 사용되었습니다.

범주 형 변수는 주파수와 백분율을 사용하여 설명되었습니다. 카이 제곱 테스트 또는 T- 검정을 사용하여 두 코호트 간의 데이터를 비교했습니다. 잠재적 인 다중 공선 성을 완화하기 위해 래시 회귀 모델을 적용했습니다. 훈련 코호트에 완전한 데이터가있는 모든 변수는 R 소프트웨어의 "GLMNet"패키지를 사용하여 Lasso 회귀 분석에 포함되었습니다. 이 모델은 lambda.min에서 최적의 성능을 달성하여 후보 변수를 식별했습니다. 이어서, 이진 결과와 관련된 독립적 인 예측 변수를 식별하기 위해 다 변수 COX 비례 위험 회귀 분석을 수행 하였다. 그런 다음 이러한 요소를 통합하여 R 소프트웨어의 "RMS"패키지를 사용하여 노모 그램 예측 모델을 구성했습니다. 7 개의 추가 모델 로거 론적 회귀, 의사 결정 트리, 랜덤 포레스트, SVM (Support Vector Machine), 신경망, XGBOOST 및 "CARET"패키지를 사용하여 구성된 LightGBM-Were 및 "RMDA"패키지를 사용하여 의사 결정 곡선을 생성했습니다. 모든 통계 분석은 R 소프트웨어 버전 4.4.2를 사용하여 수행되었고, p- 값 <0.05는 통계적으로 유의 한 것으로 간주되었다.