Номограмма для прогнозирования диагноза центральных злокачественных опухолей на основе предоперационных клинических характеристик и лабораторных показателей: ретроспективное исследование (PCNSL，GLIOMA)

Это исследование было направлено на разработку и проверку новой диагностической модели, основанной на большой когорте клинических данных, для точной дифференциации между PCNSL и глиомой, а также GBM и не GBM.

Комитет по этике провинциальной больницы провинции Гуандун предоставил этическое одобрение для этого исследования (KY-Z-Z-2022-231-01). Это ретроспективное когортное исследование включало 127 пациентов с недавно диагностированной первичной центральной нервной системой, диффузной крупной В-клеточной лимфомы (PCNSL) и 586 пациентами с недавно диагностированной глиомой, лечившейся в отделе нейрохирургии, провинции Гуандунской больницы, между 2016 и 2024 годами. Пациенты, включенные в это исследование, соответствовали следующим критериям: (1) ВИЧ-серонегативный статус; (2) нет истории иммуносупрессии или трансплантации органов; (3) доступность всех клинических показателей до первой операции; (4) Достаточная клиническая и доступность данных. Все участники были проинформированы о цели исследования и предоставили подписанное информированное согласие до участия в соответствии с принципами, изложенными в Декларации Хельсинки.

Основные демографические и клинические данные были собраны до начального диагноза и первого хирургического лечения. 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 альбумин.

Пациенты были случайным образом распределены для обучения и проверочных когортов в соотношении 7: 3 для обеих диагностических моделей, включающих 713 и 586 пациентов, соответственно. Не наблюдалось существенных различий в демографических или клинических характеристиках между наборами обучения и валидации. Чтобы определить потенциальные предикторы, регрессионный анализ LASSO был проведен на учебном наборе, эффективно устраняя несколько нерелевантных или многоколлинечных независимых переменных для снижения размерности. Впоследствии, для определения характерных переменных использовался многовариантный логистический регрессионный анализ. Наконец, номограмма была построена на основе обучающего набора и подтверждена в наборе валидации.

Прогнозирующая производительность модели была оценена и проверена с использованием машинного обучения и методов глубокого обучения. Модель дискриминация была оценена с использованием анализа кривой рабочей характеристики приемника (ROC). Анализ кривой решений (DCA) был использован для оценки чистой выгоды модели и клинической полезности.

Категориальные переменные были описаны с использованием частот и процентов. Тесты хи-квадрат или T-тесты использовались для сравнения данных между двумя когортами. Модель регрессии Лассо была применена для смягчения потенциальной мультиколлинеарности. Все переменные с полными данными в учебной группе были включены в регрессионный анализ LASSO с использованием пакета «GLMNet» в программном обеспечении R. Модель достигла оптимальной производительности в лямбда. Впоследствии был проведен регрессионный анализ пропорциональных опасностей Кокса, чтобы выявить независимые предикторы, связанные с бинарным результатом. Эти факторы были затем интегрированы для построения модели прогнозирования номограммы с использованием пакета «RMS» в программном обеспечении R. Семь дополнительных моделей-логистских регрессии, дерево решений, случайный лес, векторная машина поддержки (SVM), нейронная сеть, XGBOOST и LightGBM-были построены с использованием пакета «калики», а кривые принятия решений были сгенерированы с использованием пакета «RMDA». Все статистические анализы были выполнены с использованием r программного обеспечения версии 4.4.2, а значение p <0,05 считалось статистически значимым.