En banebrydende undersøgelse, der for nylig blev offentliggjort i tidsskriftet Endocrinology, introducerer en ny maskinlærings (ML) model, der kunne revolutionere forudsigelsen af fjernmetastase (DM) risiko ved medullær skjoldbruskkirtelcarcinom (MTC). Ved at udnytte data fra det nationale institut for sundheds overvågning, epidemiologi og slutresultater (SEER) database fra National Institutes of Health, har forskere udviklet en robust ML-algoritme, der nøjagtigt kan estimere sandsynligheden for DM hos MTC-patienter.
Undersøgelsen involverede analyse af demografiske oplysninger fra over 2.000 MTC-patienter mellem 2004 og 2015. Traditionelle logistiske regression (LR) analyser blev brugt til at udforske forholdet mellem klinisk-patologiske egenskaber og forekomsten af DM i MTC. Gennem denne analyse blev flere forudsigelsesfaktorer for DM identificeret, herunder alder, køn, tumorstørrelse, ekstrathyroidal udvidelse og lymfeknudemetastase.
For at vurdere præstationen af ML-modeller blev evalueringsoptimeringsmetrikker såsom nøjagtighed, præcision, recall-rate, F1-score og arealet under receiver-operating characteristic kurven (AUC) anvendt. Blandt de seks testede ML-modeller skilte random forest (RF) algoritmen sig ud som den mest effektive til at forudsige risikoen for DM i MTC. RF-modellen viste overlegen præstation sammenlignet med den traditionelle binære LR-model og demonstrerede en højere nøjagtighed, præcision, recall-rate, F1-score og AUC.
Denne banebrydende forskning fremhæver potentialet for RF ML-modellen i at forbedre klinisk beslutningstagning for MTC-patienter. Ved præcist at forudsige risikoen for DM kan læger give mere informerede behandlingsanbefalinger, hvilket potentiale kan føre til forbedrede resultater og overlevelsesrater. Yderligere demonstrerer undersøgelsen kraften i ML-algoritmer i at udtrække værdifulde indsigter fra omfattende medicinske databaser, hvilket bane vejen for yderligere fremskridt inden for forudsigende medicin.
Mens de traditionelle LR-analyser har givet værdifuld information tidligere, tilbyder indførelsen af RF ML-modellen et nyt perspektiv ved at indarbejde en mere omfattende og nuanceret tilgang til at forudsige DM-risiko i MTC. Denne forskning indvarsler en ny æra inden for kræftforudsigelser og opfordrer til udforskning af ML-teknikker på andre områder af onkologi. Med ML-algoritmer, der konstant udvikler sig og forfine, lover fremtiden stor fremtid for at udnytte disse teknologier til at forbedre patientpleje og resultater.
The source of the article is from the blog lanoticiadigital.com.ar