Die vorliegende Studie verwendet Maschinelles Lernen, um eine eingehende Analyse der Schlüsselfaktoren durchzuführen, die das Wiederauftreten von Leberzellkarzinom-Patienten mit hohen präoperativen systemischen Immunerkrankungsindex (SII) -Werten nach der Ablationstherapie beeinflussen, und auf dieser Grundlage ein Nomogrammmodell zur Vorhersage des rückfallfreien Überlebens (RFS) von Patienten zu erstellen. Die Studie umfasst die klinischen Daten von 505 Leberzellkarzinom-Patienten, die von Januar 2014 bis Januar 2020 an der Beijing You’an Hospital einer Ablationstherapie unterzogen wurden, sowie 65 Leberzellkarzinom-Patienten mit hohen SII-Werten als externer Validierungsdatensatz vom Beijing Ditan Hospital. Die entwickelten Modelle wurden anhand von C-Index, ROC-Kurve, Kalibrierungskurve und Entscheidungskurvenanalyse (DCA) bewertet, um ihre Leistung zu beurteilen.
Die Studie identifizierte Faktoren wie Alter, BCLC-Stadium, Tumoranzahl und GGT-Spiegel als unabhängige Risikofaktoren, die das RFS bei Leberzellkarzinom-Patienten beeinflussen. Basierend auf diesen Risikofaktoren wurde ein RFS-Nomogramm erfolgreich erstellt. Die Leistung des Nomogramms wurde durch den C-Index, die ROC-Kurve, die Kalibrierungskurve und die DCA-Kurve gezeigt, was auf eine gute Vorhersageleistung hinweist. Das Nomogramm konnte Patientenpopulationen mit unterschiedlichen Rezidivrisiken signifikant unterscheiden.
Insgesamt wurde ein zuverlässiges Nomogramm entwickelt, das präzise das 1-, 3- und 5-jährige RFS für Leberzellkarzinom-Patienten mit hohen SII-Werten nach einer Ablationstherapie vorhersagen kann. Die Studie trägt dazu bei, die personalisierte Medizin zu verbessern und die prognostischen Aussichten für Patienten mit Leberzellkarzinom zu optimieren.