초록 배경: 골격근 게이지(Skeletal muscle gauge, SMG)는 최근 암 환자에서 항암화학요법 독성 및 예후 등 임상적 결과를 예측하기 위한 근감소증(sarcopenia)의 영상 지표로 도입되었다. 컴퓨터단층촬영(Computed tomography, CT)은 SMG 측정에 필수이므로, SMG의 활용은 CT를 시행하는 환자로 제한된다. 목적: 우리는 임상적 및 염증성 표지자를 이용하여 대장암(colorectal cancer, CRC) 환자에서 SMG를 예측하는 기계학습 알고리즘을 개발하고자 하였다. 방법: 최소 절대 수축 및 선택 연산자(least absolute shrinkage and selection operator, LASSO) 회귀 모형을 변수 선택 및 예측 시그니처 구축을 위해 훈련 집합에 적용하였다. LASSO 모형의 예측 정확도(예측 SMG 지표인 LP-SMG로 정의)를 검정 집합에서 수신자 조작 특성 곡선 아래 면적(area under the receiver operating characteristic, AUROC) 및 의사결정 곡선 분석(decision curve analysis, DCA)으로 비교하였다. 결과: 총 1,094명의 CRC 환자가 등록되었고, 훈련(n=656)과 검정(n=438) 집합으로 무작위 분류되었다. 저 SMG는 훈련 집합에서 142명(21.6%), 검정 집합에서 90명(20.5%)으로 확인되었다. 검정 집합의 다변량 분석에 따르면, LP-SMG는 저 SMG의 독립적 예측 인자로 확인되었다(OR: 1329.431, CI: 271.684-7667.996, p<.001). 예측 성능은 훈련 집합과 검정 집합에서 유사하였다(AUROC: 0.846 vs. 0.869, p=.427). 검정 집합에서 LP-SMG는 성별, 신장, 체중, 혈색소(hemoglobin)와 같은 단일 임상 변수보다 SMG 예측에서 더 나은 결과를 보였으며, 이는 AUROC 및 DCA로 평가되었다. 결론: 임상 변수와 혈청 염증 지표를 포함한 LP-SMG는 저 SMG 예측에서 단일 변수에 비해 우수한 성능을 나타냈다. 이 기계학습 모형은 치료 기간 동안 CT를 사용하지 않고도 근감소증 상태를 선별하는 도구로 활용될 수 있다. 기계학습 모형의 적용은 기존 CT 기반 진단으로 인한 노력, 비용, 방사선 노출을 줄이는 데 유익할 수 있다. 인용 형식: Jeonghyun Kang. 대장암 환자에서 기계학습 모형을 이용한 골격근 게이지 예측. [초록]. In: American Association for Cancer Research Annual Meeting 2023 Proceedings; Part 1 (정규 및 초청 초록); 2023년 4월 14-19일; 미국 플로리다 주 Orlando. Philadelphia (PA): AACR; Cancer Res 2023;83(7_Suppl):Abstract nr 5428.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.