В работе оценивалась модель Random Forest для анализа продольных паттернов NGAL (neutrophil gelatinase-associated lipocalin) и традиционных биомаркеров у 100 пациенток с раком шейки матки. Поскольку в базе данных отсутствовала независимая радиологическая, патоморфологическая или определённая конечная точка ответа, результат машинного обучения был охарактеризован как NGAL-снижение-фенотип (NGAL после лечения < NGAL до лечения), а не как клинический ответ на терапию. Для предотвращения утечки данных все переменные, производные от NGAL, и все посттерапевтические переменные были удалены из набора предикторов.

Средняя точность при стратифицированной 5-кратной перекрёстной проверке составила 43,0% (SD 7,6%), средняя сбалансированная точность — 42,1%, что указывает на отсутствие полезной дискриминационной способности модели. Описательно более высокие гистологические grade и более продвинутые стадии ассоциировались с большими концентрациями NGAL.

Авторы подчёркивают, что полученные результаты не доказывают клиническую предсказательную ценность NGAL, а носят гипотезогенерирующий характер. Стадия опухоли и биологическая агрессивность оказывают значительное влияние на прогноз рака шейки матки, однако данная работа не подтвердила возможность использования NGAL в качестве надёжного предиктора.