一项试点研究,研究机器学习对Ph阳性急性淋巴细胞白血病成年人异性干细胞移植后复发预测的影响

科学领域:

• 血液学 血液学 血液学
• 在瘤学瘤学.
• 计算生物学 计算生物学

背景情况:

• 在费城的移植后复发染色体阳性急性淋巴细胞白血病 (Ph+ ALL) 显著增加死亡风险.
• 预测工具是指导预防策略和管理复发风险的关键需求.
• 全基性造血干细胞移植 (allo-HSCT) 是Ph+ALL的关键治疗方式.

研究的目的:

• 开发和验证一种机器学习模型,用于预测Ph+ALL患者移植后复发风险.
• 为了确定继 allo-HSCT 后复发的关键预测因素,结合氨酸激酶抑制剂 (TKI) 预防.
• 建立明确的BCR::ABL1值来分层复发风险.

主要方法:

• 74名Ph+ALL患者的回顾性分析,这些患者接受了allo-HSCT.
• 应用各种机器学习算法,包括渐变增强机 (GBM),以使用串行BCR::ABL1水平和临床变量来建模复发风险.
• 使用曲线下的面积 (AUC) 和移植后不同时间点的错误率来评估模型性能.

主要成果:

• GBM模型表现出卓越的性能,最大AUC为0.91.
• 确定的主要预测因素是BCR::ABL1水平 (移植前和移植后),预测时间点和慢性移植对宿主疾病 (GvHD).
• 该模型在移植后的+100日后实现了<22%的错误率;在+100日之前的预测不那么准确.
• 慢性GvHD患者的BCR::ABL1水平<0.06%预测复发风险较低.
• 没有慢性GvHD的患者被归类为高风险患者,无论BCR::ABL1水平如何.

结论:

• 在Ph+ALL中,GBM模型有效地预测了Ph+ALL的allo-HSCT后复发风险,即使使用TKI预防.
• 当前的BCR::ABL1水平与GvHD状态相结合,可以将患者分类为复发的低风险或高风险类别.
• 进一步验证这种机器学习方法是有必要的,以改进临床决策.