運用機器學習模型預測腎毒性於使用鉑類之癌症病人

研究背景:
擴展機器學習模型以預測鉑類引起的腎毒性對所有鉑類適應症的癌症可以增加在臨床環境中的應用。
研究目的:
利用性能指標和特徵重要性分析來擴展鉑類引起之腎毒性的預測模型。
研究方法:
該研究招募了221名接受順鉑或卡鉑治療的患者，主要治療肺癌和頭頸癌。使用四種增強算法、CART和腎毒性風險評分系統來預測鉑類引起的腎毒性。最佳模型由混淆矩陣選擇。採用SHapley Additive exPlanations (SHAP)特徵重要性分析來評估所有病人、肺癌病人和其他癌症病人。
研究結果:
該模型利用LightGBM搭配過採樣技術和貝葉斯優化以及臨床和基因特徵，表現顯著優於CART和腎毒性風險評分系統，AUPRC、AUROC、F1評分和召回率為 0·82、0·90、0·78、0·69。肺癌和其他癌症病人有12個(80%)和11個(73%)特徵與所有病人的前15個特徵重疊。肺癌和其他癌症病人的AUROC的值為0·89與0·89，肺癌和其他癌症病人的AUPRC分別為0·82和0·86。
結論:
該研究通過特徵重要性分析將鉑類引起的腎毒性預測模型從單一癌症擴展到異質性癌症。