BIOPREVENTの機械学習アルゴリズムは,移植後のバイオマーカーを使用して,慢性的な移植対宿主疾患と死亡リスクを予測します

科学分野:

• 血液形成細胞移植 (HCT) 研究成果
• バイオマーカーの発見と検証
• 臨床予測における機械学習

背景:

• 慢性移植対宿主疾患 (cGVHD) と非再発性死亡率 (NRM) は,HCT後の重大なリスクである.
• cGVHDとNRMの予測モデルにはしばしば正確性が欠け,改善された方法が必要になります.
• これらの結果を予測するためのバイオマーカーと組み合わせた機械学習 (ML) の有用性は不明である.

研究 の 目的:

• HCT後のcGVHDとNRMを予測するための機械学習アルゴリズム (BIOPREVENT) の開発と検証.
• プラズマタンパク質バイオマーカーを含むMLモデルのパフォーマンスを,臨床変数のみと比較して評価する.
• cGVHDとNRMを予測する重要なバイオマーカーを特定する.

主な方法:

• 1,310人のHCT受容者のデータを用いてBIOPREVENT MLアルゴリズムを開発しました.
• 7つのプラズマタンパク質 (HCT後の90/100日に測定された) と9つの臨床変数が含まれています.
• 複数のMLモデル (CoxXGBoost,BART,ランダムサバイバルフォレストなど) を評価した. そして,予測精度 (AUCt) のためのディープラーニング.

主要な成果:

• バイオマーカーを使用したMLモデルは,cGVHD予測の臨床モデルのみを大幅に上回りました.
• BARTとCoxXGBoostのモデルは,cGVHDの1年後にAUCt>0.65を達成した;NRM予測AUCtは0.75-0.91.1の範囲であった.
• 重要な予測バイオマーカーとしてMMP3,CXCL9,IL1RL1,sCD163を特定した.BIOPREVENTは正確な校正を示した.

結論:

• BIOPREVENTモデルは,HCTから3ヶ月後のバイオマーカーを使用して,cGVHDとNRMの個別のリスクを正確に予測します.
• BIOPREVENTの臨床実施を支援するためのWebアプリケーションが用意されています.
• 予防的治療戦略の指針となるBIOPREVENTの役割を探るため,さらなる研究が必要である.