Исследователи разработали прогностические модели на 228 пациентах из двух источников и зафиксировали их до валидации на четырех исторических когортах (n=778). Pathway-модель не сохранила ни одного молекулярного признака. Генная модель удержала 16 генов в окончательном варианте, тогда как при тестировании на отложенных выборках из источников и в 159 из 200 bootstrap-ресемплов разработки не был отобран ни один ген. Штрафные параметры elastic-net (penalties) 0,5, 0,15 и 0,05 были выбраны в 160, 38 и 2 ресемплах соответственно. Изменение спецификаций моделирования варьировало удержание генов от 0 до 61, а pathway — от 0 до 5.

Разница integrated Brier score (IBS) между молекулярной и клинической моделями (ΔIBS) в зафиксированной генной модели варьировала от −0,0034 до 0,0055 в разных когортах. Средняя ΔIBS по когортам составила 0,0016 (95% CI, −0,0012 до 0,0042), по сравнению с −0,0008 (−0,0024 до 0,0007) после локального обновления базовых переменных методом cross-fitting. Отрицательные значения ΔIBS указывали бы на преимущество молекулярных моделей, но достоверного улучшения не выявлено.

Клиническая модель предсказывала 3-летнюю смертность 19,6% в японской когорте и 22,6% в когорте Moffitt, при наблюдаемых значениях 9,1% и 28,6% соответственно, что подчеркивает необходимость локальной калибровки.

Молекулярный отбор признаков оказался нестабильным, а инкрементальная прогностическая способность зависела от спецификации модели и популяции. Результаты характеризуют ограничения процедур машинного обучения на малых обучающих выборках. Более широкая транскриптомная прогностическая ценность и клиническая полезность в современных условиях остаются неустановленными для резецированной аденокарциномы легкого I–II стадии за пределами базовых клинических переменных (возраст, пол, стадия).