一个数字双胞胎模型用于基于证据的临床决策支持,用于多发性骨髓瘤治疗

科学领域:

• 计算生物学是一种计算生物学.
• 医疗信息学医学信息学
• 医学中的人工智能

背景情况:

• 多发性骨髓瘤 (MM) 治疗领域已取得重大进展,但患者的反应仍然不可预测.
• 由于MM治疗的复杂性,需要数据驱动的决策支持工具.
• 数字双胞胎 (DT) 提供一种基于模型的方法来模拟治疗反应和预测结果.

研究的目的:

• 提出基于相似性的多发性骨髓瘤数字双胞胎 (MMDT),强调可解释性和可解释性.
• 根据科学文献设计和实施MMDT的建筑蓝图.
• 为了实现治疗结果的透明预测,以实现个性化治疗选择.

主要方法:

• 使用医学和方法论文献进行了要求规范过程.
• 实现了一个四层的MMDT架构,详细说明程序和接口.
• 整合多线治疗策略和外部证据进入MMDT.
• 开发了一个知识图,包括475个实体和438个边缘.
• 使用MMRF CoMMpass数据库进行评估场景.

主要成果:

• MMDT成功处理了一个MM病例样本,产生了潜在的治疗策略.
• 知识图结构促进了结果评估和治疗选择.
• 证明了MMDT在模拟患者表征和治疗结果方面的潜力.
• 实现的MMDT实例由475个唯一实体和438个边界定义.

结论:

• 开发的MMDT为多发性骨髓瘤的治疗决策提供了有价值的工具.
• 可解释性和可解释性是临床采用DT模型的关键特征.
• 提出一种协作方法,以应对临床常规整合数据可用性,可信性和伦理问题的挑战.