基于人工智能的急性髓性白血病预测模型使用现实生活数据:一个DATAML注册研究

科学领域:

• 血液学 血液学 血液学
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 急性髓性白血病 (AML) 的管理涉及复杂的治疗决策.
• 来自患者登记册的大数据集对临床解释提出了挑战.
• 需要预测模型来帮助AML患者的预后和治疗选择.

研究的目的:

• 开发和验证基于人工智能的预测模型 (AIPM),用于AML患者的整体存活期 (OS).
• 识别关键的诊断变量,以便在AML中准确预测OS.
• 评估AIPM在指导强化化疗 (IC) 和阿扎西提丁 (AZA) 疗法治疗选择中的有用性.

主要方法:

• 利用了来自3687名AML患者的DATAML注册表数据.
• 开发了一个多层感知器 (MLP) 神经网络用于OS预测.
• 采用Boruta算法来选择影响最大的诊断变量.

主要成果:

• 在IC队列中,MLP模型实现了68.5%的OS预测准确度,在AZA队列中达到62.1%.
• 博鲁塔算法确定了IC队列的13个关键特征和AZA队列的7个关键特征,而不会降低预测准确度.
• 选择的特征包括年龄,细胞遗传学,血液细胞计数,特定生物标志物和突变.

结论:

• 在AML患者中,AIPM可以准确预测用IC或AZA治疗的OS.
• 特性选择算法有效地减少了预测所需的诊断变量的数量.
• 这些模型可以帮助血液学家管理AML数据并优化治疗策略.