结合CD45表面表达的机器学习模型预测了结解后的造血原生细胞恢复
Arwa Z Al-Riyami1, Elena Maryamchik2, Richard S Hanna3
1Department of Pathology and Laboratory Medicine, Children's Hospital of Philadelphia, Philadelphia, Pennsylvania, USA; Department of Clinical Pathology & Laboratory Medicine, Perelman School of Medicine at the University of Pennsylvania, Philadelphia, Pennsylvania, USA; Department of Hematology, Sultan Qaboos University Hospital, Sultan Qaboos University, Muscat, Oman.
Cytotherapy
|June 15, 2023
概括
一个机器学习模型预测了冷保存期间可行的CD34+细胞损失,改善了造血干细胞移植移植时间,减少了不必要的采集.
科学领域:
- 血液学 血液学 血液学
- 生物技术是生物技术.
- 机器学习在医学中的应用
背景情况:
- 足够的可活的CD34+ (vCD34) 造血原生细胞 (HPC) 对于移植后的成功移植至关重要.
- 额外的阿菲雷斯收集增加了成本和风险,需要方法来预测冷保存期间的细胞损失.
研究的目的:
- 开发和验证一种机器学习模型,用于预测在冷保存期间使用收集日可用的变量预测vCD34+细胞损失.
- 为了确定低解后活力的关键预测因素,以告知临床决策.
主要方法:
- 追溯对370个自身HPC非雷斯集合的回顾性审查.
- 在新鲜和解样本中评估vCD34%的流细胞计量,以计算解后指数.
- 开发和评估XGBoost,k-最近邻居和随机森林模型,校准以尽量减少虚假保证.
主要成果:
- 17%的产品呈现出较差的解后指数 (<70%vCD34+).
- XGBoost 模型的 AUC 值为 0.83,其中 HPC CD45 的正常化平均光强度 (nMFI) 是最重要的预测因素.
- 使用解后vCD34%数据的移植结果显示,与仅基于新鲜vCD34% (11.7天) 的移植结果相比,移植速度更快 (10.6天).
结论:
- 使用解后的vCD34%数据改善了造血干细胞移植移植时间.
- 开发的预测算法表明,超过三分之一的额外日收款可以避免.
- HPC CD45 nMFI被确定为评估HPC解后健康状况的新标志物.
