预测非小细胞肺癌根治性放疗后复发和死亡的机器学习方法比较：多变量临床预测模型的开发与验证

背景：对于接受根治性放疗的非小细胞肺癌（NSCLC）患者，普遍推荐进行监测。目前缺乏高质量证据来指导最佳监测策略。机器学习在准确预测多种健康状况的预后方面展现出良好前景。本研究旨在利用易于获取的患者、肿瘤和治疗数据，开发、验证并在外部测试用于预测治疗后2年复发、无复发生存期（RFS）和总生存期（OS）的机器学习模型。方法：开展了一项针对接受根治性放疗的NSCLC患者的回顾性、多中心研究。来自5家医院的共657例患者符合纳入标准。数据预处理得出了用于预测建模的34个特征。比较了8种特征降维方法和10种机器学习分类算法的组合，构建了用于预测复发、RFS和OS的风险分层模型。通过10折交叉验证和外部测试集对模型进行比较，并以TNM分期和体能状态作为基准进行评估。根据验证集ROC曲线得出尤登指数（Youden Index）以区分高危和低危组，并进行了Kaplan-Meier分析。结果：中位随访时间为852天。训练-验证集与外部测试集之间的参数匹配良好：平均年龄分别为73岁和71岁，2年复发率、RFS率和OS率分别为43% vs 34%、54% vs 47%以及54% vs 47%。验证集和测试集的AUC分别如下：1) RFS：0·682 (0·575-0·788) 和 0·681 (0·597-0·766)，2) 复发：0·687 (0·582-0·793) 和 0·722 (0·635-0·81)，以及 3) OS：0·759 (0·663-0·855) 和 0·717 (0·634-0·8)。我们的模型在预测复发和OS方面优于TNM分期和体能状态。解释：这种稳健且即用型的机器学习方法经过验证和外部测试，为未来在NSCLC根治性放疗后进行定量个体化风险分层和监测的临床试验奠定了基础。资金来源：为本研究提供支持的资助机构完整列表可在致谢部分查阅。