使用现实世界的数据开发和验证用于识别多发性骨髓瘤治疗线路的算法
Sikander Ailawadhi1, Dorothy Romanus2, Surbhi Shah3
1Division of Hematology/Oncology, Department of Medicine, Mayo Clinic, Jacksonville, FL 32224, USA.
Future oncology (London, England)
|January 17, 2024
概括
算法有效地使用电子健康数据识别多发性骨髓瘤 (MM) 的第一线治疗 (LOT1),对于常见的治疗方案,准确度很高. 在维持治疗的鉴定中,性能略有下降.
科学领域:
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
- 数据科学数据科学数据科学
背景情况:
- 多发性骨髓瘤 (MM) 治疗涉及复杂的治疗线 (LOT).
- 准确识别LOT成分对于治疗分析和研究至关重要.
- 电子健康数据 (EHR) 提供了大量跟踪的潜在来源.
研究的目的:
- 通过使用EHR数据验证旨在识别MM患者LOT组成的算法.
- 评估这些算法的性能与手动图表审查相比.
主要方法:
- 利用了Henry Ford Health在2006-2017年间诊断的成年MM患者的EHR数据.
- 使用图表审查验证了算法性能,将良好性能定义为正预测值 (PPV) ≥75%.
主要成果:
- 在识别LOT1时,获得了高精度 (85.0%),在频繁的疗程中表现出色 (92.5-97.7%精度,80.6-93.8%PPV).
- 由于样本大小较小,随后的LOT的算法性能下降.
- 确定维持治疗的准确率为85.7% (最常见的治疗方案的PPV为73.3%).
结论:
- 算法在识别LOT1方面表现强,特别是在常见的MM处理方案中.
- 这些算法在LOT1.1内识别维持疗法的效率略有降低.
- 这些经过验证的算法可以帮助使用EHR数据分析MM治疗模式.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.3K
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.8K
