出国看病
 
脊柱脊索瘤生存预测
  • 　　脊柱脊索瘤是由原始脊索引起的缓慢生长的局部侵袭性肿瘤。患者的这种病理准确预后生存困难的不仅是这些肿瘤的罕见的，因为有0.08每10万人的发病率，而且还因为很少有研究的患者随访足够长的时间来提供有意义的长期生存估计。预测脊柱脊索瘤模型已经使用统计模型来识别预测因素与生存显着相关;没有人将这些模型转化为开放式数字应用，也没有人使用支持向量机或神经网络等技术。机器学习是一个不断发展的统计和计算机科学领域，为广告，金融和网络安全等行业提供了重要的见解。在医疗保健方面，机器学习是用于诊断，预测和管理。
    　　 使用具有纵向随访的大型国家多机构数据库允许识别适合于通过机器学习模型分析的脊柱脊索瘤患者的关键体积。本研究的目的是研究计算密集型机器学习模型预测脊柱脊索瘤患者生存的效用。此外，该分析的目标是将机器学习算法纳入医疗保健专业人员的可访问界面。
    　　 美国国家癌症研究所的监测，流行病学和最终结果计划包括970万癌症患者，覆盖了约28％的美国人口。SEER计划数据库以前广泛用于肌肉骨骼肿瘤学。对于这种分析的目的，出国看病网研究人员选择了发病率-SEER18注册表研究数据和飓风埋伏路易斯安那例。
    　　 如果满足以下所有标准，患者仅被纳入研究：1）肿瘤学国际疾病分类，第3版，脊索瘤诊断;2）脊柱原发部位或骨盆，骶骨或尾骨年龄大于或等于18岁;4）1995-2010年的诊断年份;5）用显微镜确认肿瘤大小和脊索瘤诊断的记录。
    　　 该研究的主要结果是5年时的总体存活率。基于与以前的工作中提取以下的协变量的SEER程序：1）年龄以年在诊断，2）性别，3）肿瘤位置，4）诊断时肿瘤大小，5）诊断时肿瘤扩展，以及6）SEER计划中定义的手术治疗干预。用于预测的变量是年龄诊断，肿瘤大小，肿瘤位置，肿瘤侵袭程度和手术范围。使用missForest方法估算缺失的数据，这是一种基于随机森林的非参数多重插补方案。
    　　 为感兴趣的变量生成描述性统计数据。支持向量机，贝叶斯点机和神经网络是基于先前工作选择作为候选算法的模型，并且模型超参数被调整以预测5年存活。算法是由通过的歧视的措施10倍交叉验证，校准和整体性能进行评估。
    　　 然后将具有5年生存预测的最佳性能的算法合并到开放访问Web应用程序中。模型创建以及应用程序开发和部署。
    　　 总体而言，265例脊柱脊索瘤患者符合预先确定的入选标准，并且5年生存率为67.5％。诊断时队列的中位年龄为64岁，102名患者为女性。大多数脊柱脊索瘤肿瘤存在于骨盆骨，骶骨或尾骨中。诊断时，168名患者出现小于或等于8cm的肿瘤，141名患者出现局部浸润肿瘤，93名患者出现局部肿瘤，19名患者呈现远处转移。总体而言，92名患者接受了根治性切除术。
    　　 对于5年生存预测，模型的区分范围为交流统计值0.79-0.80。在整体绩效评估中，Brier评分范围为0.16至0.17。相比之下，空模型Brier评分为0.21。模型的校准斜率范围为0.78至1.01，校准截距范围为-0.13至0.03。贝叶斯点机具有区分和校准的最佳性能。该算法对没有缺失数据的患者的性能与具有多个插补的总体人群相似。该模型已纳入开放式访问决策支持工具，可在线查找。
    　　 据研究人员所知，这是第一项将机器学习用于脊索瘤结果预测并将此预测模型部署为开放式访问Web应用程序的研究。机器学习模型可用于罕见病症的典型小数据集，并表明所得算法的良好区分和校准使其有望用于未来的神经肿瘤学前瞻性研究。
    　　 SEER脊柱脊索瘤人口1973年至1995年，发现5年和10年存活率为131例脊柱脊索瘤分别为67.2％和37.8％，和5年和10年存活率为117例骶脊索瘤分别为73.6％和32.2％。描述了1973年至2003年的SEER脊髓脊索瘤群，发现5年和10年生存率分别为62％和33％。本研究中使用的人群的5年生存率与这些和之前的其他研究相当。
    　　 机器学习应用在医学上都面临着以下2个障碍：1）较高的预测能力，但较低的解释能力，2）高复杂性，但对医护人员的日常决策的低实用性。本研究通过在简单的界面中部署这些算法，证明了解决后一问题的概念验证。正在开展工作以提高机器学习算法的解释能力，但这项研究表明机器学习可以融入现有的预测生态系统在医学上。选择作为本研究中开发的机器学习模型的输入的变量被选择，因为在先前的机构和国家数据库包括SEER计划中的原发性骨肿瘤的统计建模研究中对脊索瘤存活具有确定的重要性。方法诸如多变量logistic回归和比例风险建模对解释和预测非常有用。该研究成功地建立在原发性骨肿瘤存活的统计建模研究所创建的解释框架上。机器学习针对预测而非解释进行了优化，因此可以与外科和肿瘤学数据科学管道中的统计建模相吻合。
    　　 以前在脊柱手术中进行机器学习的工作已经试图预测1029名接受成人脊柱畸形手术的患者的输血，并且对于随机森林模型，在接受者操作曲线0.85下实现了区域的模型辨别。30天的并发症为22629次例行后路腰椎脊柱融合和找到的逻辑回归和可比歧视人工神经网络。在骨科肿瘤学中，使用贝叶斯信念网络预测阑尾和轴向骨骼转移的手术后存活率，并在决策分析中取得良好的辨别力和表现。该研究通过与脊柱外科和肿瘤学中的机器学习研究类似的鉴别来评估模型性能。此外，本研究评估了机器学习模型的校准，并进一步报告了每个模型的鉴别和校准的综合评分。
    　　 该分析使用SEER程序数据库开发脊索瘤中的机器学习算法，但未来的研究可以探索其他注册表，例如国家癌症数据库。收集了1500个癌症认可机构委员会的数据，其中包括美国70％的新癌症病例。NCDB中可用于肿瘤学预后的其他重要变量可能使其成为未来神经肿瘤学机器学习研究的有希望的登记。
    　　 必须解决几个限制才能准确地解释本研究的结果。在本研究中用于创建机器学习算法的数据源是国家数据库，而不是医生收集的数据的预期登记。结果受国家数据库的限制，包括可变数据准确性，缺失数据以及与手头临床研究相关的预测因素缺乏粒度。2017年11月的SEER提交中未提供保证金状态和放疗干预。在1995年至2010年的15年时间范围内，放射治疗管理的细节缺乏可能会发生重大变化，这进一步限制了这一分析。在没有诸如期望传播算法之类的技术的情况下，在该研究中开发的贝叶斯点机器算法在计算上可能是昂贵的，并且诸如支持向量机之类的其他基于内核的算法具有更广泛的使用。这里开发的算法的预测性能仍然在脊索瘤患者的亚群中确定。尽管使用了国家数据库，但本研究中描述的机器学习算法的开发和验证是以小样本量完成的，并且未在独立的临床医生收集的样本中进行外部验证。算法预测的普遍性仍有待确定，未来的研究应寻求通过检查前瞻性收集的注册表来建立此处提出的结果。
    　　 尽管存在这些局限性，已经完成了开发罕见神经肿瘤病理学的机器学习模型的主要目标。未来的研究可以将这种方法扩展到其他肿瘤病理学，并最终允许基于通过结果研究创建的复杂预测模型创建简单的决策支持系统。
    　　 对脊柱脊索瘤患者的这种分析表明，可以开发和部署机器学习模型，用于罕见病理学中的生存预测。未来的研究可以通过将这种方法转化为其他病症并通过验证在该分析中创建的算法的普遍性来建立在这项工作的基础上。
 
出国看病概况

海外医疗在国外发展较为成熟，比如在欧美等医疗技术发达国家，很多医院都设有国际病人办公室并配备多语种医学专业翻译人员，就医流程和模式都已相对成熟。在国内，海外医疗虽然还属于新兴行业，但发展势头迅猛，发展潜力巨大，市场前景广阔。
　　 从中国经济发展水平和消费能力预测，未来10年时间，海外医疗市场及其相关产业的市场的巨大潜力，有可能超过数百亿美元。
出国看病适应症
靶向药物
 

  • 联系出国看病服务机构网

  • 电话：13263277712
    北京办公室地址：北京市丰台区万丰路

出国看病服务机构网 版权所有 2012-2022 日本房产 海外医疗 BNCT 网站优化 卡马替尼 索托拉西布