A nomogram to predict development of brain metastasis in non-small cell lung cancer patients: a retrospective analysis using routinely available medical records
Notice bibliographique
Résumé
Background: Brain metastases (BrM) are a frequent complication among patients with non-small cell lung cancer (NSCLC). While guidelines exist for baseline CNS screening in advanced NSCLC, surveillance strategies for early-stage disease remain limited. This study aimed to develop a time-dependent BrM risk prediction nomogram using readily available clinical information. Methods: We analyzed a retrospective cohort of NSCLC patients at Penn State Health. Our objectives were to (1) systematically evaluate the performance of existing BrM risk prediction algorithms and (2) construct novel nomograms for BrM risk prediction in NSCLC. Using Cox-proportional hazard models with L1-regularization, we predicted BrM risk at 6-month, 1-year, and 2-year follow-up intervals. Findings: The patient cohort included 1904 patients (median age 68 years, range 38-94 years, BrM incidence 22.8%). The cohort included 1059 males (55.6%) and 845 females (44.4%). Of the cohort, 92.8% of patients identified as White (n = 1766), 1.0% as Asian (n = 19), 4.0% as Black (n = 77), and 2.2% as another race (n = 42). The Zhang 2021 model demonstrated the highest performance in predicting BrM incidence in our cohort, achieving an AUROC of 0.91 (95% CI: 0.87, 0.95). Two novel models were developed: a baseline model incorporating clinical and imaging data at diagnosis (cTNM stage, age at diagnosis), and an extended model including additional clinical and treatment data (number of extracranial metastatic sites, prior radiotherapy, chemotherapy, surgery, and histology) (https://nmikolajewicz.shinyapps.io/nomogram_wilding2024/). While both models showed similar short-term performance, the extended model demonstrated superior predictive capacity (AUROC 0.91 at 3-years) for longer-term outcomes. Our nomograms rely exclusively on clinical features routinely documented in patient records, thereby requiring no additional investigations. Interpretation: These clinically accessible nomograms for BrM prediction will facilitate prognostic modeling, risk stratification, refinement of CNS screening guidelines, and patient counseling. Funding: None.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».