基于 PSO-SVM 的肺癌患者免疫治疗相关不良事件预测模型*
目的 探讨改进支持向量机在小样本数据情况下的分类效果,并对辽宁省某三级甲等医院2019—2024年 296 例肺癌患者免疫治疗相关不良事件进行预测。方法 回顾性地收集了确诊肺癌且接受抗程序性死亡受体 l(pro⁃ grammed death-1,PD-1)/抗程序性死亡配体1(programmed death ligand-1,PD-L1)治疗的296 例患者临床数据。在对患 者数据进行预处理后,构建了基于粒子群算法优化支持向量机(particle swarm optimization support vector machine, PSO- SVM)的肺癌患者免疫治疗相关不良事件预测模型,并与改进前的支持向量机(support vector machine, SVM)模型进行比 较。结果 经过改进的SVM 表现出了更好的预测和分类能力,PSO-SVM 的准确率为82.0%,高于SVM 算法的78.7%。 结论 小样本数据情况下,PSO-SVM 算法具有较高的准确率,为提前预知肺癌患者免疫治疗相关不良事件的发生和为肺 癌患者的免疫治疗临床决策提供了新的方法尝试。
| [1] |
中华医学会肿瘤学分会,中华医学会杂志社. 中华医学会肺癌临床诊疗指南(2023版)[J].中华肿瘤杂志,2023,45(7):539-574. |
| [2] |
|
| [3] |
|
| [4] |
黄莹,许可,王炜, |
| [5] |
任晓蕾,詹轶秋,刘刚, |
| [6] |
诸慧,原永芳,徐影. 肿瘤患者中替雷利珠单抗血药浓度与免疫相关不良事件的相关性研究[J].中国临床药理学杂志,2024,40(8):1217-1221. |
| [7] |
蔡偌欣,马亚楠,闻德亮. 机器学习在非酒精性脂肪肝预测中的应用[J].中国卫生统计,2024,41(2):316-318. |
| [8] |
孙欣,魏东升,许允发, |
| [9] |
姜超,冯哲,王均琴, |
| [10] |
张学工. 关于统计学习理论与支持向量机[J].自动化学报,2000(1):36-46. |
| [11] |
中国临床肿瘤学会 .免疫检查点抑制剂相关的毒性管理指南(2023)[M].北京:人民卫生出版社,2023. |
| [12] |
胡明明,阳苑,张同梅, |
| [13] |
|
| [14] |
黄岩,张力. 2020 CSCO 非小细胞肺癌诊疗指南更新要点解读[J].临床内科杂志,2020,37(8):603-605. |
| [15] |
张新. 《2020 年CSCO 小细胞肺癌诊疗指南》解读[J].临床内科杂志,2020,37(11):820-822. |
| [16] |
姚卓然. 肺癌免疫治疗相关不良反应的多组学生物标记物探究与预测模型建立[D].北京:中国医学科学院,2021. |
| [17] |
|
| [18] |
|
中国医学科学院医学与健康科技创新工程(2023-I2M-C&T-B-073)
/
| 〈 |
|
〉 |