Een nomogram voor het voorspellen van de diagnose van centrale kwaadaardige tumoren op basis van preoperatieve klinische kenmerken en laboratoriumindicatoren: een retrospectieve studie (PCNSL，GLIOMA)

Deze studie was gericht op het ontwikkelen en valideren van een nieuw diagnostisch model, gebaseerd op een groot cohort van klinische gegevens, voor nauwkeurige differentiatie tussen PCNSL en glioom, en GBM en niet-GBM.

De Ethics Review Committee van Guangdong Provincial People's Hospital verleende ethische goedkeuring voor deze studie (KY-Z-2022-231-01). Deze retrospectieve cohortstudie omvatte 127 patiënten met nieuw gediagnosticeerd primair centraal zenuwstelsel diffuus groot B-cellymfoom (PCNSL) en 586 patiënten met nieuw gediagnosticeerd glioom, behandeld bij de afdeling neurochirurgie, Guangdong Provincial People's Hospital, tussen 2016 en 2024. Patiënten die in deze studie zijn opgenomen, voldeden aan de volgende criteria: (1) HIV-seronegatieve status; (2) geen geschiedenis van immunosuppressie of orgaantransplantatie; (3) beschikbaarheid van alle klinische indicatoren voorafgaand aan de eerste operatie; (4) voldoende beschikbaarheid van klinische en gegevens. Alle deelnemers werden op de hoogte gebracht van het doel van de studie en gaven ondertekende geïnformeerde toestemming voorafgaand aan deelname, in overeenstemming met de principes die zijn uiteengezet in de verklaring van Helsinki.

Basisdemografische en klinische gegevens werden verzameld voorafgaand aan de initiële diagnose en eerste chirurgische behandeling. Demographic data included age and sex, while clinical data encompassed peripheral white blood cell count (WBC), neutrophil-to-lymphocyte ratio (NEUT1), lymphocyte ratio (LYMPH1), neutrophil count (NEUT), lymphocyte count (LYMPH), monocyte count (MONO), international normalized ratio (INR), prothrombin time (PT) and Albumine.

Patiënten werden willekeurig toegewezen aan trainings- en validatiecohorten in een 7: 3 -verhouding voor beide diagnostische modellen, bestaande uit respectievelijk 713 en 586 patiënten. Er werden geen significante verschillen in demografische of klinische kenmerken waargenomen tussen de training- en validatiesets. Om potentiële voorspellers te identificeren, werd Lasso -regressieanalyse uitgevoerd op de trainingsset, waardoor verschillende irrelevante of multicollineaire onafhankelijke variabelen effectief werden geëlimineerd om de dimensionaliteit te verminderen. Vervolgens werd multivariabele logistieke regressieanalyse gebruikt om de karakteristieke variabelen te bepalen. Ten slotte werd een nomogram gebouwd op basis van de trainingsset en gevalideerd in de validatieset.

De voorspellende prestaties van het model werden beoordeeld en gevalideerd met behulp van machine learning en diepe leertechnieken. Modeldiscriminatie werd geëvalueerd met behulp van ontvanger operationele karakteristiek (ROC) curve -analyse. Decision Curve Analysis (DCA) werd gebruikt om het netto voordeel en het klinische nut van het model te beoordelen.

Categorische variabelen werden beschreven met behulp van frequenties en percentages. Chi-kwadraat tests of t-tests werden gebruikt om gegevens tussen de twee cohorten te vergelijken. Een Lasso -regressiemodel werd toegepast om potentiële multicollineariteit te verminderen. Alle variabelen met volledige gegevens in het trainingscohort werden opgenomen in de Lasso -regressieanalyse met behulp van het "GLMNet" -pakket in R -software. Het model bereikte optimale prestaties bij Lambda.min, waardoor kandidaatvariabelen worden geïdentificeerd. Vervolgens werd multivariabele COX -proportionele gevarenregressieanalyse uitgevoerd om onafhankelijke voorspellers te identificeren die verband houden met de binaire uitkomst. Deze factoren werden vervolgens geïntegreerd om een ​​nomogramvoorspellingsmodel te construeren met behulp van het "RMS" -pakket in R -software. Zeven extra modellen-logistische regressie, beslissingsboom, willekeurig bos, ondersteuningsvectormachine (SVM), neuraal netwerk, XGBOOST en LightGBM werden geconstrueerd met behulp van het "CARET" -pakket en beslissingscurves werden gegenereerd met behulp van het "RMDA" -pakket. Alle statistische analyses werden uitgevoerd met behulp van R-softwareversie 4.4.2 en een P-waarde <0,05 werd als statistisch significant beschouwd.