Разработка модели прогнозирования ВТЭО на основе автоматически отобранных признаков у пациентов с глиомой

Венозные тромбоэмболические осложнения (ВТЭО) представляют серьезную угрозу для пациентов, проходящих лечение от рака, особенно на фоне прогрессирующих и метастатических заболеваний. В нейроонкологии частота возникновения ВТЭО зависит от расположения и стадии опухоли. Некоторые первичные и метастатические опухоли головного мозга имеют повышенную склонность к тромботическим событиям. В этом исследовании мы применили современные методы машинного обучения, в частности XGBoost, чтобы создать модели поиска предикторов, связанных с риском ВТЭО у пациентов с глиомой. Сравнивая точность диагностики наших моделей XGBoost с традиционными подходами логистической регрессии, мы стремимся углубить понимание прогнозирования ВТЭО в этой группе пациентов. Наши результаты дополняют растущий объем исследований по оценке риска тромбоза у онкологических больных и могут помочь в разработке персонализированных стратегий профилактики и лечения для снижения риска ВТЭО у пациентов с глиомой в стационаре.

1. Nicholson M, Chan N, Bhagirath V, et al. Prevention of venous thromboembolism in 2020 and beyond. J Clin Med. 2020;9(8):2467. Available from: http://dx.doi.org/10.3390/jcm9082467

2. Kearon C, Akl EA, Ornelas J, et al. Antithrombotic therapy for VTE disease: CHEST guideline and expert panel report. Chest. 2016;149(2):315–52. Available from: http://dx.doi.org/10.1016/j.chest.2015.11.026

3. Connors JM, Levy JH. COVID-19 and its implications for thrombosis and anticoagulation. Blood. 2020;135:2033–2040. DOI:10.1182/BLOOD.2020006000.

4. Xu Q, Lei H, Li X, et al. Machine learning predicts cancer-associated venous thromboembolism using clinically available variables in gastric cancer patients. Heliyon. 2023;9(1):e12681. Available from: http://dx.doi.org/10.1016/j.heliyon.2022.e12681.

5. He L, Luo L, Hou X, et al. Predicting venous thromboembolism in hospitalized trauma patients: a combination of the Caprini score and data-driven machine learning model. BMC Emerg Med. 2021;21(1):60. Available from: http://dx.doi.org/10.1186/s12873-021-00447-x.

6. Lin C-C, Chen C-C, Li C-I, et al. Derivation and validation of a clinical prediction model for risks of venous thromboembolism in diabetic and general populations. Medicine (Baltimore) [Internet]. 2021;100(39):e27367. Available from: http://dx.doi.org/10.1097/MD.0000000000027367.

7. Gerotziafas GT, Papageorgiou L, Salta S, et al. I. Updated clinical models for VTE prediction in hospitalized medical patients. Thromb Res. 2018;164 Suppl 1:S62–9. Available from: http://dx.doi.org/10.1016/j.thromres.2018.02.004.

8. Beal EW, Tumin D, Chakedis J, et al. Identification of patients at high risk for post-discharge venous thromboembolism after hepato-pancreato-biliary surgery: which patients benefit from extended thromboprophylaxis? HPB. 2018;20 (7):621–630. DOI:10.1016/j.hpb.2018.01.004.

9. Lee E-J, Chang C-H, Wang L-C, et al. Two primary brain tumors, meningioma and glioblastoma multiforme, in opposite hemispheres of the same patient. J Clin Neurosci. 2002;9(5):589–91. Available from: http://dx.doi.org/10.1054/jocn.2002.1086.

10. Farge D, Frere C, Connors JM, et al. 2022 international clinical practice guidelines for the treatment and prophylaxis of venous thromboembolism in patients with cancer, including patients with COVID-19. Lancet Oncol. 2022;23(7):e334–47. Available from: http://dx.doi.org/10.1016/S1470-2045(22)00160-7160-7.