Oskitz Ruiz Deza
Etwa 30 % der Patienten mit Magen-Darm-Krebs, die eine Chemotherapie auf Basis von 5-Fluorouracil (5-FU) erhalten, leiden unter schwerer Toxizität. Derzeit gibt es einen Mangel an effektiven Instrumenten zur Identifizierung von Personen, die in diesem Zusammenhang gefährdet sind. Diese Studie zielt darauf ab, diese Lücke zu schließen, indem ein Vorhersagemodell mithilfe eines Bayes-Netzwerks erstellt wird, eines robusten probabilistischen grafischen Modells, das für seine interpretierbaren Vorhersagen bekannt ist. Unter Verwendung eines Datensatzes mit 267 Magen-Darm-Krebspatienten wurden die Daten vorverarbeitet und im Verhältnis 80 %:20 % in TRAIN- und TEST-Sätze aufgeteilt. Die Variablenwichtigkeit wurde mithilfe des RandomForest-Algorithmus unter Verwendung des Koeffizienten MeanDecreaseGini bewertet. Das Bayes-Netzwerkmodell wurde mithilfe der bnlearn R-Bibliothek entwickelt, wobei eine 10-fache Kreuzvalidierung des TRAIN-Satzes durchgeführt und die Netzwerkstruktur mit der aic-cg-Methode optimiert wurde. Die Leistung des Modells wurde anhand von Genauigkeit, Sensitivität und Spezifität bewertet, wobei eine Kreuzvalidierung des TRAIN-Datensatzes und eine unabhängige Validierung des TEST-Datensatzes durchgeführt wurden. Das Modell zeigte eine gute Leistung und erreichte eine durchschnittliche Genauigkeit von 0,85 (±0,05) bzw. 0,80 für die TRAIN- und TEST-Datensätze. Sensitivität und Spezifität lagen bei 0,82 (±0,14) bzw. 0,87 (±0,07) für den TRAIN-Datensatz und bei 0,71 bzw. 0,83 für den TEST-Datensatz. Für den klinischen Einsatz wurde ein benutzerfreundliches Tool entwickelt. Trotz einiger Einschränkungen zeigte unser Bayes-Netzwerkmodell eine hohe Fähigkeit, die Wahrscheinlichkeit schwerer hämatologischer Toxizität bei Magen-Darm-Krebspatienten, die sich einer Chemotherapie auf 5-FU-Basis unterziehen, vorherzusagen. Zukünftige Untersuchungen sollten sich auf die Validierung des Modells anhand größerer Patientenkohorten und in verschiedenen klinischen Szenarien konzentrieren.
Teile diesen Artikel