Kjønnsspesifikke maskinlæringsmodeller for å forutsi fjernmetastase ved leverkreft (GENDER-HCC-MET)

Studiedesign og mål:

Dette var en retrospektiv, befolkningsbasert kohortstudie som brukte data fra Surveillance, Epidemiology, and End Results (SEER)-databasen. Det primære målet var å systematisk sammenligne forekomsten og identifisere kjønnsspesifikke determinanter for fjernmetastase hos pasienter med hepatocellulært karsinom (HCC). Et sekundært mål var å utvikle og validere separate, høyt ytende maskinlæringsmodeller for prediksjon av risiko for fjernmetastase skreddersydd for mannlige og kvinnelige pasienter.

Datakilde og deltakere:

Data ble hentet fra 22 SEER-registre som dekket pasienter diagnostisert med HCC mellom 2004 og 2022. Inklusjon krevde en patologisk diagnose av HCC. Viktige eksklusjonskriterier var: manglende data om rase, sivilstatus, tumorgrad eller kirurgisk status; ikke-første primær malignitet; og ufullstendige TNM-stadieringsdata. Etter å ha brukt kriteriene ble 19 019 pasienter inkludert i den endelige analysen (14 575 menn, 4 444 kvinner).

Variabler og definisjoner:

Utfallsvariabelen var status for fjernmetastase ved diagnose, dikotomisert som M0 (ingen metastase) eller M1 (metastase) basert på konsistente AJCC-kriterier. Prediktorvariabler inkluderte: alder, kjønn, rase, tumorgrad, sivilstatus, kirurgisk behandling (kategorisert som ikke-kirurgi, lokal terapi, kirurgisk reseksjon eller levertransplantasjon), strålebehandling, kjemoterapi, årlig husholdningsinntekt og bostedssted (basert på befolkningsstørrelse). For å sikre sammenlignbarhet på tvers av forskjellige utgaver av AJCC-stadieringsmanualen, ble T-stadiet gruppert som T0-2 (lokalisert) mot T3-4 (lokalt avansert), og N-stadiet som N0 mot N1.

Statistisk og maskinlæringsanalyse:

Univariate og multivariable logistiske regresjonsanalyser ble utført for å identifisere faktorer uavhengig assosiert med fjernmetastase, stratifisert etter kjønn.

For prediktiv modellering ble datasettet tilfeldig delt inn i et treningssett (80 %) og et internt testsett (20 %). Åtte maskinlæringsalgoritmer ble utviklet og sammenlignet: Logistisk regresjon, Random Forest, XGBoost, LightGBM, AdaBoost, Decision Tree, Gradient Boosting Decision Tree (GBDT) og Multilayer Perceptron. Modellhyperparametere ble optimalisert ved bruk av 10-fold kryssvalidering på treningssettet. De endelige modellene ble evaluert på det uavhengige testsettet. Modellytelse ble vurdert ved bruk av Area Under the Receiver Operating Characteristic Curve (AUC), nøyaktighet, sensitivitet, spesifisitet, F1-score, kalibreringskurver og Decision Curve Analysis (DCA). Tolkningsbarheten til den best presterende modellen ble forbedret ved bruk av Shapley Additive Explanations (SHAP).