Machine Learning–Based Prediction of Distant Recurrence Risk and Ribociclib Treatment Effect in HR+/HER2− Early Breast Cancer Using Real-World and NATALEE Data
Notice bibliographique
Résumé
PURPOSE: Despite current standard-of-care endocrine therapy, distant recurrence remains a concern for patients with hormone receptor-positive (HR+)/HER2- early breast cancer (EBC). Understanding individual recurrence risk would aid in clinical decision-making. We used machine learning to identify risk factors and develop recurrence risk prediction models. EXPERIMENTAL DESIGN: Predictor variables were identified by gradient boosting and used to train models on a large, diverse real-world dataset of patients with stage I-III HR+/HER2- EBC obtained from the US-based, electronic health record-derived deidentified Flatiron Health Research Database. An elastic net-penalized Cox proportional hazards model was validated internally with real-world data and externally with data from the NATALEE trial of ribociclib in patients with HR+/HER2- EBC. Prediction and outcome concordance for distant recurrence and treatment effect were analyzed with Harrell's concordance index (C-index) and integrated Brier score; model performance over time was determined by dynamic AUC analysis. RESULTS: The model accurately predicted distant recurrence in the real-world cohort [n = 7,842; C-index: 0.85 (95% confidence interval, 0.8461-0.8598); integrated Brier score: 0.05 (95% confidence interval, 0.0443-0.0495)] over time (AUC >0.7 through 10 years); internal validation and sensitivity analyses confirmed model performance. External validation with the NATALEE nonsteroidal aromatase inhibitor alone arm yielded a lower but still discriminative performance (C-index: 0.66). Training on NATALEE data improved concordance (C-index: 0.70); the NATALEE-trained model predicted a 3.2% reduction in distant recurrence at 48 months with ribociclib treatment in the real-world cohort. CONCLUSIONS: A machine learning model was developed that accurately predicted distant recurrence in HR+/HER2- EBC. The identified predictor variables and developed models may aid in risk-based personalized treatment decision-making.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».