一种机器学习方法来识别患有血液性恶性疾病的患者群体

科学领域:

• 免疫学和血液学 免疫学和血液学
• 计算生物学和生物信息学
• 医疗保健中的机器学习

背景情况:

• 针对SARS-CoV-2的疫苗接种对于血液恶性瘤 (HM) 的免疫功能低下患者至关重要,以减轻COVID-19的严重程度.
• 相当一部分HM患者在接种疫苗后表现出不响应的免疫状态,增加了他们对严重感染的脆弱性.
• 了解影响疫苗反应的患者特定因素对于完善医疗保健策略至关重要.

研究的目的:

• 采用机器学习 (ML) 来分析HM患者的COVID-19疫苗反应.
• 通过可解释的ML模型来确定预测血清反应的患者特征.
• 提高预测准确度,为临床医生和研究人员提供可操作的见解.

主要方法:

• 分析了1166名血液病患者的数据集,以确定COVID-19疫苗接种后的血清反应.
• 评估了各种ML模型,根据AUC,灵敏度,特异性和MCC选择了表现最好的模型.
• 可解释AI (XAI) 技术,包括SHAP值和主要组件分析 (PCA),用于识别和分析患者群.

主要成果:

• 支持矢量机 (SVM) 在评估的ML模型中表现出优越的性能.
• 来自SVM的SHAP值的PCA揭示了四个不同的患者群,不同比例的患者产生抗体 (PPGA).
• 集群的特点是疾病特征,免疫缺陷因素和治疗方案,PPGA范围从33.3%到84.39%.

结论:

• 根据ML和XAI的方法,根据COVID-19疫苗免疫性,成功将HM患者分为四个不同的集群.
• 集群分析提供了对HM人群中疫苗反应变异性的细微了解.
• 开发的方法具有在其他疾病环境中应用的潜力,强调了可解释的ML在临床决策中的价值.