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

Advances in risk prediction models for cancer-related cognitive impairment
Ran Duan, ZiLi Wen, Ting Zhang, Juan Liu, Tong Feng, Tao Ren
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
8
Access Type
Author Information
Authors
Ran Duan
ZiLi Wen
Ting Zhang
Juan Liu
Tong Feng
Tao Ren
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%