机器学习预测癌症相关血栓：来自维也纳癌症与血栓研究的结果

背景：提升癌症相关静脉血栓栓塞（VTE）的风险预测能力仍是一项未满足的临床需求。本研究旨在应用机器学习技术预测癌症相关VTE。 患者与方法：数据来源于维也纳癌症与血栓研究（Vienna-CATS），这是一项纳入2003至2019年癌症患者的前瞻性队列研究。研究利用患者特征和实验室检测指标（包括多种常规及实验性实验室检测）训练并验证了六种VTE预测分类模型。采用蒙特卡洛交叉验证方法，将80%样本随机分配至训练集，20%分配至测试集。为避免数据泄露，基于训练数据拟合的预处理算法统一应用于测试数据。评估了模型的区分度及输入参数的影响。 结果：共纳入2193例患者（女性占46.6%），中位年龄62岁（四分位距52-68岁）。最常见的肿瘤类型为肺癌（18.1%）、脑癌（15.3%）和乳腺癌（15.1%）。6个月内及2年内分别发生124例（累积发生率6.4%）和186例（10.7%）VTE事件。表现最佳的VTE预测模型为机器学习增强的逻辑回归（LGR），其在6个月和2年的曲线下面积分别为0.66[95%置信区间（CI）0.65-0.67]和0.62（95% CI 0.61-0.62），与现有风险评估模型（RAMs）性能相当。在LGR模型中，对VTE风险贡献最大的因素包括纯合子因子V Leiden突变、直肠癌、睾丸癌、胰腺癌、新诊断癌症及VTE病史。 结论：整合广泛临床指标与生物标志物组的机器学习模型在预测癌症相关VTE方面未优于现有RAMs。