扫码下载APP

您的位置

资讯详情

本人可编辑资讯

仅支持在APP编辑资讯扫描二维码即可下载APP

用于预测头颈癌治疗毒性的机器学习:一项具有荟萃分析的系统综述

论论资讯 | 2023-05-01 3热度

Oral Oncology

Explore content

About the journal

Publish with us

Machine learning for the prediction of toxicities from head and neck cancer treatment: A systematic review with meta-analysis

Araújo A.L.D.; Moraes M.C.; Pérez-de-Oliveira M.E.; Silva V.M.D.; Saldivia-Siracusa C.; Pedroso C.M.; Lopes M.A.; Vargas P.A.; Kochanny S.; Pearson A.; Khurram S.A.; Kowalski L.P.; Migliorati C.A.; Santos-Silva A.R.

Published:2023-05-01
DOI:10.1016/j.oraloncology.2023.106386

研究背景

机器学习用于预测头颈癌治疗的毒副作用 最近,头颈癌治疗中的毒副作用问题引起了研究人员的关注。这些毒副作用可能会影响患者的生活质量和治疗效果。然而,目前尚缺乏一种准确预测头颈癌治疗毒副作用的方法。因此,研究人员开始探索机器学习模型在预测头颈癌治疗毒副作用方面的应用。

研究内容

系统综述和荟萃分析 这项研究是一篇系统综述和荟萃分析。研究人员使用了PICOS缩写来开发研究问题,并选择了符合条件的预测模型研究。研究人员在PubMed、EMBASE、Scopus、Cochrane Library、Web of Science、LILACS以及灰色文献(Google Scholar和ProQuest)等电子数据库中进行了检索。研究人员使用PROBAST评估了研究的偏倚风险,并根据数据格式(有和无IBMs)进行了综合分析。

研究意义

IBM-featured PMs并不优于基于非IBM预测因子的PMs 研究结果表明,IBM-featured PMs并不优于基于非IBM预测因子的PMs。在28项研究和4713名患者中,口干症是最常见的毒副作用(17项研究,60.71%)。其中,16项研究(57.14%)报告使用放射学特征与临床或剂量学/剂量组合进行建模。研究人员发现,在23项研究中存在高偏倚风险。荟萃分析表明,有IBMs的模型和没有IBMs的模型的受试者工作特征曲线下面积(AUROC)分别为0.82和0.81(p值<0.001),说明IBM和非IBM模型之间没有差异。研究人员指出,基于样本特异性特征开发PM会导致患者选择偏差,并可能影响模型的性能。此外,研究的异质性以及非标准化的指标阻碍了研究的比较,缺乏独立/外部测试也不允许评估模型的泛化能力。总之,这项研究提出了一个新的方法,可以帮助预测头颈癌治疗的毒副作用。

微信扫码即可查看