Nomogram Pembelajaran Mesin Baru Prediksi Prognosis Kanker Paru-paru

Penelitian terbaru mengembangkan nomogram berbasis pembelajaran mesin untuk memprediksi prognosis pasien kanker paru-paru dengan efusi pleura malignan (MPE). Tiga faktor klinis kunci diidentifikasi: regimen pengobatan, efusi perikardial, dan volume efusi pleura. Model regresi logistik menunjukkan akurasi yang tinggi dalam prediksi kelangsungan hidup, dengan kebutuhan akan strategi pengobatan yang dipersonalisasi diharapkan dapat meningkatkan hasil pasien.

Pasien kanker paru-paru sering menghadapi komplikasi yang sulit, yaitu efusi pleura malignan (MPE), yang dapat mempengaruhi prognosis dan kualitas hidup mereka. Studi terbaru mengidentifikasi faktor prediktor penting untuk kelangsungan hidup dan mengembangkan nomogram berbasis pembelajaran mesin untuk menyusun strategi pengobatan yang sesuai. Penelitian ini dilakukan oleh tim dari Rumah Sakit Afiliasi North Sichuan Medical College dan institusi lainnya, menggunakan data dari 2013 hingga 2023 di berbagai rumah sakit di Tiongkok.

Dalam analisis ini, tiga faktor klinis ditemukan sebagai prediktor signifikan: regimen pengobatan, adanya efusi perikardial, dan volume total efusi pleura. Nomogram yang dihasilkan dari analisis ini menunjukkan perbedaan kelangsungan hidup yang substansial di antara kelompok risiko yang berbeda, memungkinkan evaluasi individu bagi pasien.

Para penulis menekankan bahwa, “Nomogram memungkinkan kuantifikasi risiko individual dan menunjukkan perbedaan kelangsungan hidup yang signifikan antara kelompok risiko tinggi/sangat tinggi dan kelompok risiko rendah/sedang.” Pendekatan yang fokus ini bertujuan untuk memberikan alat yang dapat dipercaya bagi klinisi untuk menilai hasil pasien di masa depan.

Model regresi logistik (LR) memberikan kinerja prediktif terbaik dengan nilai area di bawah kurva (AUC) yang mengesankan: 0.885 untuk kohort pelatihan, 0.954 untuk kohort pengujian internal, dan 0.920 untuk kohort pengujian eksternal 1. Validasi independen dengan kelompok pasien tambahan juga dilakukan untuk mengonfirmasi efektivitas nomogram.

MPE biasanya disebabkan oleh kanker paru-paru, namun dapat juga berasal dari keganasan lain. Penumpukan cairan abnormal di pleura dapat menyebabkan gejala seperti dyspnea dan nyeri dada, mengganggu aktivitas sehari-hari. Rata-rata waktu kelangsungan hidup hanya 3 hingga 12 bulan, menjadikannya penting untuk mengidentifikasi indikator prognostik yang akurat untuk pengobatan.

Pilihan terapi saat ini mencakup berbagai teknik, dari thoracentesis berpemandu ultrasound hingga kateter pleura menetap dan pendekatan kemoterapi, masing-masing dengan risiko dan komplikasi tersendiri. Hasil klinis untuk pasien MPE masih bervariasi.

Studi ini menegaskan pentingnya strategi pengobatan yang dipersonalisasi; pasien dalam kategori risiko rendah cenderung memiliki hasil yang jauh lebih baik dibandingkan pasien risiko tinggi. Di kelompok risiko rendah (60 pasien), hanya satu yang memiliki waktu kelangsungan hidup kurang dari setahun, menunjukkan tingkat kematian 1.67%. Sebaliknya, kelompok risiko sangat tinggi menunjukkan tingkat kematian 100%, dengan semua 111 pasien meninggal dalam waktu satu tahun.

Temuan ini memberikan wawasan kritis mengenai kompleksitas pengobatan pasien MPE. Ketepatan prediksi model LR menggarisbawahi potensi kegunaannya dalam praktik klinis. “Model LR menunjukkan kinerja terbaik dengan AUC 0.885 pada kohort pelatihan, 0.954 pada kohort pengujian internal, dan 0.920 pada kohort pengujian eksternal 1,” tegas para penulis.

Model prediktif yang dikembangkan dalam studi ini menawarkan prospek baru untuk intervensi dini, memperkuat kebutuhan akan perawatan yang dipersonalisasi dalam onkologi.

Studi ini menyoroti pengembangan nomogram berbasis pembelajaran mesin yang dapat meningkatkan prognosis pasien kanker paru-paru dengan MPE. Dengan identifikasi faktor risiko yang jelas dan hasil penelitian yang valid, strategi pengobatan yang dipersonalisasi menjadi lebih mungkin diterapkan, memberikan harapan baru bagi pasien. Model regresi logistik menunjukkan kinerja terbaik dalam prediksi kelangsungan hidup, menunjukkan potensi besar untuk aplikasi klinis di masa depan.

Sumber Asli: evrimagaci.org