基于个性化机器学习的免疫血小板缺血危及生命的出血预测模型:全国范围的前性队列研究
Zhuo-Yu An1, Ye-Jun Wu1, Yu Hou2
1Peking University People's Hospital, Peking University Institute of Hematology, Beijing 100044, China; Collaborative Innovation Center of Hematology, Peking University, Beijing 100044, China; Beijing Key Laboratory of Hematopoietic Stem Cell Transplantation, Beijing 100044, China; National Clinical Research Center for Hematologic Disease, Beijing 100044, China.
Science bulletin
|August 20, 2023
概括
免疫性血小板缺血 (ITP) 中的严重出血存在危及生命的风险. 这项研究开发了第一个机器学习工具,用于预测ITP患者的严重出血事件,帮助临床决策.
科学领域:
- 血液学 血液学 血液学
- 医疗信息学 医疗信息学
- 机器学习在医学中的应用
背景情况:
- 免疫性血栓缩 (ITP) 中的严重出血事件很少发生,但危及生命,影响患者的预后和治疗.
- 现有的研究缺乏大规模的多中心数据和验证的预测模型,用于ITP中关键出血.
- 国际血栓症和血液静止学会最近提出了ITP关键出血的标准标准.
研究的目的:
- 将新的国际血栓学会和血液静止学会在免疫性血栓缺血 (ITP) 中的临界出血标准应用于大量患者队列.
- 开发和验证第一个基于机器学习 (ML) 的预测模型,用于ITP患者的关键出血事件.
- 创建一个用户友好的,基于网络的应用程序,以实时评估ITP中关键出血的危险性.
主要方法:
- 利用来自中国8个医疗中心的回顾性数据来开发ML模型.
- 在一年内,在中国39个医疗中心对ML模型进行了外部验证.
- 在数据分析和模型培训中采用了新提议的关键ITP出血标准.
主要成果:
- 开发的ML模型在训练,验证和测试数据集中表现出良好的预测性能.
- 该研究成功创建并测试了一种在线应用程序,用于预测ITP的严重出血风险.
- 该系统有效地识别了患者出血风险概况,促进了临床决策.
结论:
- 这项研究介绍了第一个基于ML的工具,用于使用大型多中心数据预测免疫性血栓性缺血 (ITP) 中的临界出血.
- 开发的基于网络的应用程序为快速风险评估提供了一种方便的方法,支持ITP的临床管理.
- 该工具有可能通过减少关键出血事件的发生来改善患者的治疗结果.
