Đánh giá hiệu năng mô hình Gail điều chỉnh và Gail-Rosner-Colditz trong dự báo nguy cơ ung thư vú tại Việt Nam
Nội dung chính của bài viết
Tóm tắt
Nghiên cứu hồi cứu 31.016 phụ nữ tham gia sàng lọc ung thư vú, ghi nhận 19 trường hợp ung thư vú, nhằm đánh giá hiệu năng của mô hình Gail điều chỉnh và mô hình kết hợp Gail-Rosner-Colditz. Dữ liệu được chia ngẫu nhiên bằng phương pháp lấy mẫu phân tầng thành tập huấn luyện 60% và tập kiểm tra 40%; mất cân bằng dữ liệu được xử lý bằng giảm mẫu ngẫu nhiên kết hợp SMOTE. Hiệu năng được đánh giá bằng ROC-AUC, PR-AUC và chỉ số Brier; các yếu tố liên quan với nguy cơ mắc ung thư vú được phân tích bằng hồi quy logistic phạt Firth. Mô hình kết hợp làm tăng ROC-AUC ở cả ba thuật toán; Weighted Kernel Logistic Regression đạt ROC-AUC cao nhất 0,662 ± 0,062. Tuổi có liên quan với nguy cơ mắc ung thư vú, trong khi sinh 2 con và sinh 3 con có liên quan với giảm nguy cơ mắc so với nhóm chưa sinh con. Mô hình kết hợp Gail-Rosner-Colditz cho hiệu năng dự báo cao hơn mô hình Gail điều chỉnh, nhưng giá trị dự báo vẫn còn hạn chế do số biến cố thấp.
Chi tiết bài viết
Từ khóa
Ung thư vú, mô hình Gail, Rosner-Colditz, dự báo nguy cơ, học máy
Tài liệu tham khảo
2. Gail MH, Brinton LA, Byar DP, et al. Projecting individualized probabilities of developing breast cancer for white females who are being examined annually. J Natl Cancer Inst. 1989;81(24):1879-1886. doi:10.1093/jnci/81.24.1879.
3. Rosner B, Colditz GA. Nurses’ Health Study: log-incidence mathematical model of breast cancer incidence. J Natl Cancer Inst. 1996;88(6):359-364. doi:10.1093/jnci/88.6.359.
4. Rice MS, Tworoger SS, Hankinson SE, et al. Breast cancer risk prediction: an update to the Rosner-Colditz breast cancer incidence model. Breast Cancer Res Treat. 2017;166(1):227-240. doi:10.1007/s10549-017-4391-5.
5. Anothaisintawee T, Teerawattananon Y, Wiratkapun C, Kasamesup V, Thakkinstian A. Risk prediction models of breast cancer: a systematic review of model performances. Breast Cancer Res Treat. 2012;133(1):1-10. doi:10.1007/s10549-011-1853-z.
6. Firth D. Bias reduction of maximum likelihood estimates. Biometrika. 1993;80(1):27-38. doi:10.1093/biomet/80.1.27.
7. Heinze G, Schemper M. A solution to the problem of separation in logistic regression. Stat Med. 2002;21(16):2409-2419. doi:10.1002/sim.1047.
8. Chawla NV, Bowyer KW, Hall LO, Kegelmeyer WP. SMOTE: Synthetic Minority Over-sampling Technique. J Artif Intell Res. 2002;16:321-357. doi:10.1613/jair.953.
9. Saito T, Rehmsmeier M. The Precision-Recall Plot Is More Informative than the ROC Plot When Evaluating Binary Classifiers on Imbalanced Datasets. PLoS One. 2015;10(3). doi:10.1371/journal.pone.0118432.
10. Min JW, Chang MC, Lee HK. Validation of risk assessment models for predicting the incidence of breast cancer in Korean women. J Breast Cancer. 2014;17(3):226-235. doi:10.4048/jbc.2014.17.3.226.