डिफरेंशिएटेड थायराइड कैंसर में उच्च जोखिम वाले दूरस्थ मेटास्टेटिक पुनरावृत्ति के पूर्वानुमान के लिए मशीन लर्निंग मॉडल का विकास और मान्यता

पृष्ठभूमि: दूरस्थ मेटास्टेटिक पुनरावृत्ति डिफरेंशिएटेड थायराइड कैंसर (DTC) रोगियों के पूर्वानुमान को महत्वपूर्ण रूप से प्रभावित करती है। वर्तमान जोखिम वर्गीकरण प्रणालियों में उच्च जोखिम वाले दूरस्थ मेटास्टेटिक पुनरावृत्ति का सटीक पूर्वानुमान सीमित है। उद्देश्य: इस अध्ययन का उद्देश्य DTC रोगियों में उच्च जोखिम वाले दूरस्थ मेटास्टेटिक पुनरावृत्ति के पूर्वानुमान के लिए एक मशीन लर्निंग मॉडल का विकास और मान्यता करना था। विधियाँ: हमने जनवरी 2020 से दिसंबर 2024 के बीच उपचारित 1,245 DTC रोगियों का पिछला विश्लेषण किया। रोगियों को यादृच्छिक रूप से प्रशिक्षण (n = 871) और मान्यता (n = 374) सेटों में विभाजित किया गया। 42 क्लिनिकल, पैथोलॉजिकल, आणविक और उपचार-संबंधित चर एकत्रित किए गए। फीचर चयन के लिए LASSO रिग्रेशन का उपयोग किया गया। छह मशीन लर्निंग एल्गोरिदम (रैंडम फॉरेस्ट, सपोर्ट वेक्टर मशीन, XGBoost, लॉजिस्टिक रिग्रेशन, K-नज़दीकी पड़ोसी, और निर्णय वृक्ष) का उपयोग पूर्वानुमान मॉडल बनाने के लिए किया गया। मॉडल प्रदर्शन का मूल्यांकन AUC, सटीकता, सेंसिटिविटी, विशिष्टता, और F1-स्कोर से किया गया। कैलिब्रेशन को कैलिब्रेशन कर्व्स से आंका गया, और नैदानिक उपयोगिता का मूल्यांकन निर्णय कर्व विश्लेषण द्वारा किया गया। परिणाम: 72 महीनों के मध्यकालीन फॉलो-अप के दौरान, 126 रोगियों (10.1%) में दूरस्थ मेटास्टेटिक पुनरावृत्ति विकसित हुई। LASSO रिग्रेशन ने आठ पूर्वसंगीता करने वाले कारकों की पहचान की: आयु, ट्यूमर आकार, अतिरिक्त थायरॉयडल विस्तार, लिम्फ नोड मेटास्टेसिस, BRAF V600E म्यूटेशन, पोस्टऑपरेटिव स्टिम्युलेटेड थाइरोग्लोबुलिन (sTg) स्तर, रेडियोधर्मी आयोडीन की खुराक, और TNM स्टेज। XGBoost मॉडल ने मान्यता सेट में 0.88 (95% CI, 0.83–0.93) का सर्वश्रेष्ठ AUC प्रदर्शन दिखाया। रोगियों को निम्न-जोखिम (पुनरावृत्ति दर: 1.7%), मध्यवर्ती-जोखिम (14.4%), और उच्च-जोखिम (64.1%) समूहों में वर्गीकृत किया गया जिनके दूरस्थ मेटास्टेसिस-मुक्त जीवित रहने में महत्वपूर्ण अंतर था (p < 0.001)। XGBoost मॉडल ने कैलिब्रेशन में अच्छा प्रदर्शन किया और TNM स्टेजिंग प्रणाली की तुलना में श्रेष्ठ नैदानिक उपयोगिता प्रदर्शित की। निष्कर्ष: हमने एक XGBoost आधारित मशीन लर्निंग मॉडल विकसित और मान्यता दी जो DTC रोगियों में उच्च जोखिम वाले दूरस्थ मेटास्टेटिक पुनरावृत्ति की सटीक भविष्यवाणी करता है। यह मॉडल चिकित्सकों को उन रोगियों की पहचान करने में मदद कर सकता है जो अधिक आक्रामक उपचार और गहन फॉलो-अप से लाभान्वित हो सकते हैं, जिससे व्यक्तिगत प्रबंधन रणनीतियाँ संभव होती हैं।