Достижения в разработке моделей прогнозирования риска когнитивных нарушений, связанных с онкологическими заболеваниями

Advances in risk prediction models for cancer-related cognitive impairment
Tao Ren, Ting Zhang, Ran Duan, ZiLi Wen, Juan Liu, Tong Feng
2025-03-06

выжившие после ракакогнитивные нарушения, связанные с ракомлогистическая регрессиямашинное обучениемодели прогнозирования риска
Когнитивные нарушения, связанные с онкологическими заболеваниями (CRCI), стали значимым долгосрочным осложнением у пациентов, перенесших рак, особенно у тех, кто получает химиотерапию, лучевую терапию или таргетную терапию. Несмотря на достижения в лечении, CRCI ухудшают качество жизни пациентов, влияя на их повседневное функционирование, трудоспособность и психологическое благополучие. В последние годы исследования сосредоточены на выявлении прогностических факторов CRCI и разработке моделей прогнозирования риска для содействия раннему вмешательству. В настоящем обзоре обобщены последние достижения в области моделей прогнозирования риска CRCI, включая традиционные статистические методы, такие как логистическая регрессия, и передовые методы машинного обучения. Хотя модели машинного обучения демонстрируют более высокую прогностическую эффективность, сохраняются ограничения, связанные с доступностью данных и интерпретируемостью моделей. Кроме того, в обзоре выделены ключевые факторы риска — такие как возраст, тип рака и методы лечения — и оценены сильные и слабые стороны различных прогностических моделей с точки зрения точности, обобщаемости и клинической применимости. Наконец, в статье обсуждаются проблемы валидации этих моделей на различных популяциях и необходимость дальнейших исследований для повышения надежности моделей и персонализации вмешательств.
1
Возраст, тип рака и методы лечения определены как важные факторы риска связанных с раком когнитивных нарушений.
2
Связанное с раком когнитивное нарушение является значимым долгосрочным осложнением, влияющим на качество жизни, повседневное функционирование, трудоспособность и психологическое благополучие выживших после рака.
3
Существующие модели различаются по точности, обобщаемости и клинической применимости; важными нерешёнными задачами остаются валидация на разнообразных популяциях и разработка персонализированных вмешательств.
4
Модели машинного обучения в целом демонстрируют более высокую прогностическую эффективность, однако их клиническое внедрение ограничивают недостаток данных и низкая интерпретируемость.
5
Современные исследования прогнозирования риска когнитивных нарушений включают традиционные модели логистической регрессии и передовые методы машинного обучения для поддержки более раннего вмешательства.

связанное с раком когнитивное нарушение (CRCI) у переживших рак пациентов, особенно получающих химиотерапию, лучевую терапию или таргетную терапию

прогнозирование риска CRCI, включая прогностические факторы, а также точность, обобщаемость, интерпретируемость и клиническую применимость статистических моделей и моделей машинного обучения

Publication Details
Publication Date
2025-03-06
Journal
Publisher
ISSN
Cited by
11
Access Type
Author Information
Authors
Tao Ren
Ting Zhang
Ran Duan
ZiLi Wen
Juan Liu
Tong Feng
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%