开发一种机器学习模型,用于在接受抗凝治疗的癌症相关血栓症患者中预测出血

科学领域:

• 在瘤学瘤学.
• 血液学 血液学 血液学
• 医疗信息学 医疗信息学

背景情况:

• 与癌症相关的血栓形成 (CAT) 是一个重大的临床挑战.
• 目前在CAT中对出血风险的评估仅依赖于CAT-BLEED得分.
• 需要更准确,更动态的风险预测工具.

研究的目的:

• 开发和验证基于机器学习 (ML) 的模型,用于预测CAT患者的出血事件.
• 将ML模型的预测性能与已建立的CAT-BLEED得分进行比较.

主要方法:

• 分析了1080名CAT患者的队列,包括488个临床,生化和诊断属性.
• 使用了机器学习算法,包括Ridge/Lasso逻辑回归,随机森林和极端梯度提升 (XGBoost).
• 模型的性能通过在静脉血栓栓塞 (VTE) 后的不同时间点 (1-90天,1-365天,90-455天) 进行预测出血事件 (重大或临床相关的非重大) 的比较来评估.

主要成果:

• ML模型,特别是拉索逻辑回归和XGBoost,在VTE后1~90天和1~365天内出血事件的CAT-BLEED得分上表现出优异的预测性能.
• 对于1至90天的出血预测,Lasso和XGBoost实现了接收器操作特征曲线 (AUROC) 下的面积为0.64±0.12,相比之下,CAT-BLEED得分为0.48±0.13.
• 对于1-365天的出血预测,Lasso和XGBoost分别实现了0.64±0.08和0.59±0.08的AUROC,超过了CAT-BLEED得分的0.47±0.08.

结论:

• 这项研究引入了第一个基于ML的风险模型,用于预测抗凝血治疗的CAT患者的出血.
• 开发的ML模型在预测准确性方面明显优于传统的CAT-BLEED得分.
• 这种新的方法有望实现个性化的抗凝策略,并改善CAT患者的临床结果.