构建使用了PD-1抑制剂的肿瘤患者出现甲状腺功能障碍的风险预测模型,分析使用PD-1肿瘤抑制剂导致的甲状腺功能障碍的相关风险因素,设计监测预警系统。选取2020年—2023年广西医科大学附属肿瘤医院1225例使用PD-1抑制剂肿瘤患者的临床资...构建使用了PD-1抑制剂的肿瘤患者出现甲状腺功能障碍的风险预测模型,分析使用PD-1肿瘤抑制剂导致的甲状腺功能障碍的相关风险因素,设计监测预警系统。选取2020年—2023年广西医科大学附属肿瘤医院1225例使用PD-1抑制剂肿瘤患者的临床资料,包括人口学特征、既往史、实验室检测等63个变量。本文选取相关性前10/20/30/40/50/60个变量的4种传统机器学习模型进行性能比较。通过F1分数、灵敏度、准确率、精确率、特异性曲线下面积(Area Under the Curve,AUC)评估以上预测模型的性能,并利用Shapley加性解释(Shapley Additive Explanation,SHAP)可视化解释本文的机器学习模型。与促甲状腺激素相关性排名前10的变量依次为:羟丁酸脱氢酶、乳酸脱氢酶、淋巴细胞绝对值、天门冬氨酸转移酶、钙离子、碱性磷酸酶、谷氨酰转肽酶、单核细胞绝对值、红细胞分布宽度SD、胆碱酯酶。建立了使用PD-1抑制剂的肿瘤患者出现甲状腺功能障碍的风险预测模型,并在全局解释和局部解释的层面上分别作出模型预测结果影响的解释。展开更多
文摘构建使用了PD-1抑制剂的肿瘤患者出现甲状腺功能障碍的风险预测模型,分析使用PD-1肿瘤抑制剂导致的甲状腺功能障碍的相关风险因素,设计监测预警系统。选取2020年—2023年广西医科大学附属肿瘤医院1225例使用PD-1抑制剂肿瘤患者的临床资料,包括人口学特征、既往史、实验室检测等63个变量。本文选取相关性前10/20/30/40/50/60个变量的4种传统机器学习模型进行性能比较。通过F1分数、灵敏度、准确率、精确率、特异性曲线下面积(Area Under the Curve,AUC)评估以上预测模型的性能,并利用Shapley加性解释(Shapley Additive Explanation,SHAP)可视化解释本文的机器学习模型。与促甲状腺激素相关性排名前10的变量依次为:羟丁酸脱氢酶、乳酸脱氢酶、淋巴细胞绝对值、天门冬氨酸转移酶、钙离子、碱性磷酸酶、谷氨酰转肽酶、单核细胞绝对值、红细胞分布宽度SD、胆碱酯酶。建立了使用PD-1抑制剂的肿瘤患者出现甲状腺功能障碍的风险预测模型,并在全局解释和局部解释的层面上分别作出模型预测结果影响的解释。
