利用前列腺、肺、结直肠和卵巢癌筛查试验数据开发的机器学习模型改进卵巢癌风险评估

目的 针对普通人群的卵巢癌筛查由于发病率低而未能有效降低死亡率。风险评估可以通过将现有和新兴的干预措施针对高风险个体来改善卵巢癌的预防。本研究旨在开发一种具有足够预测性能的卵巢癌风险预测工具，以指导卵巢癌的预防。 方法 我们利用前列腺、肺、结直肠和卵巢癌（PLCO）筛查试验的数据来开发和验证一个10年卵巢癌风险模型。我们使用PLCO的对照组来训练模型，并使用干预组进行验证。潜在的预测因子包括社会人口学因素、病史和女性生殖史等。我们比较了不同的机器学习算法用于模型开发，并使用曲线下面积（AUC）、敏感性、特异性和阳性预测值评估其性能。 结果 极端梯度提升算法产生了性能最佳的模型，该模型由14棵树组成，每棵树最多有3层（在PLCO对照组训练集上AUC=0.80，95% CI：0.78-0.81）。最终模型包含了17个容易获取的特征，其中体重指数、年龄和女性激素使用持续时间增加了风险，而双侧卵巢切除术和活产次数降低了风险。该模型在PLCO干预组上的性能令人满意（AUC=0.66，95% CI：0.64-0.68），优于在相同验证数据集上测试的先前发表模型。最重要的是，在58%的风险阈值下，模型在训练集上产生了75%（95% CI：72%-79%）的敏感性和70%（95% CI%：69-70）的特异性。我们在不同风险阈值下评估了模型在验证集上的性能。 结论 所开发的卵巢癌发病风险模型显示出优于现有模型的性能。然而，需要更多的研究来进一步提高模型的预测性能，并确保基于风险的卵巢癌预防计划的可行性。