Et nomogram for å forutsi diagnosen sentrale ondartede svulster basert på preoperative kliniske egenskaper og laboratorieindikatorer: en retrospektiv studie (PCNSL，GLIOMA)

Denne studien hadde som mål å utvikle og validere en ny diagnostisk modell, basert på en stor kohort av kliniske data, for nøyaktig differensiering mellom PCNSL og glioma, og GBM og ikke-GBM.

Ethics Review Committee of Guangdong Provincial People's Hospital ga etisk godkjenning for denne studien (KY-Z-2022-231-01). Denne retrospektive kohortstudien inkluderte 127 pasienter med nylig diagnostisert primær sentralnervesystem diffus stor B-celle lymfom (PCNSL) og 586 pasienter med nylig diagnostisert gliom, behandlet ved Institutt for nevrokirurgi, Guangdong Provincial People's Hospital, mellom 2016 og 2024. Pasienter inkludert i denne studien oppfylte følgende kriterier: (1) HIV-seronegative status; (2) ingen historie med immunsuppresjon eller organtransplantasjon; (3) tilgjengeligheten av alle kliniske indikatorer før den første operasjonen; (4) Tilstrekkelig klinisk og datatilgjengelighet. Alle deltakerne ble informert om studiens formål og ga signert informert samtykke før deltakelse, i samsvar med prinsippene som er skissert i erklæringen om Helsingfors.

Grunnleggende demografiske og kliniske data ble samlet inn før initial diagnose og første kirurgisk behandling. Demografiske data inkluderte alder og kjønn, mens kliniske data omfattet perifert antall hvite blodlegemer (WBC), neutrofil-til-lymfocyttforhold (NEUT1), lymfocyttforhold (Lymph1), neutomte count (PUT), Lymphocyte count (Lymph), Monocy Count (PINT), lymfocyttalder (Lymph1), Monocy), PoNo), neutom), neutom), neutom), neutom (PoNT), Lymphocyte Ratio (Lymph1), Monocy), neutom (PoNT), Lymphocyte Ratio (Lymph1), Monocy), neutom (PoNT), Lymphocyte Ratio (Lymph1). og albumin.

Pasientene ble tilfeldig tildelt trenings- og valideringskohorter i et forhold på 7: 3 for både diagnostiske modeller, omfattende henholdsvis 713 og 586 pasienter. Ingen signifikante forskjeller i demografiske eller kliniske egenskaper ble observert mellom trenings- og valideringssettene. For å identifisere potensielle prediktorer ble Lasso -regresjonsanalyse utført på treningssettet, og eliminerer effektivt flere irrelevante eller multikollineære uavhengige variabler for å redusere dimensjonalitet. Deretter ble multivariabel logistisk regresjonsanalyse benyttet for å bestemme de karakteristiske variablene. Til slutt ble et nomogram konstruert basert på treningssettet og validert i valideringssettet.

Den prediktive ytelsen til modellen ble vurdert og validert ved bruk av maskinlæring og dyp læringsteknikker. Modelldiskriminering ble evaluert ved bruk av mottakerens driftskarakteristikk (ROC) kurveanalyse. Beslutningskurveanalyse (DCA) ble brukt for å vurdere modellens netto fordel og kliniske nytteverdi.

Kategoriske variabler ble beskrevet ved bruk av frekvenser og prosenter. Chi-kvadratiske tester eller t-tester ble brukt til å sammenligne data mellom de to årskullene. En Lasso -regresjonsmodell ble brukt for å dempe potensiell multikollinearitet. Alle variabler med komplette data i treningskohorten ble inkludert i LASSO -regresjonsanalysen ved bruk av "GLMNET" -pakken i R -programvaren. Modellen oppnådde optimal ytelse på lambda.min, og identifiserte dermed kandidatvariabler. Deretter ble multivariabel Cox proporsjonal farer regresjonsanalyse utført for å identifisere uavhengige prediktorer assosiert med det binære utfallet. Disse faktorene ble deretter integrert for å konstruere en nomogram prediksjonsmodell ved bruk av "RMS" -pakken i R -programvaren. Syv ekstra modeller-logistiske regresjon, beslutnings tre, tilfeldig skog, støttevektormaskin (SVM), nevralt nettverk, xgboost og LightGBM-ble konstruert ved hjelp av "Caret" -pakken, og beslutningskurver ble generert ved bruk av "RMDA" -pakken. Alle statistiske analyser ble utført ved bruk av R-programvareversjon 4.4.2, og en p-verdi <0,05 ble ansett som statistisk signifikant.