机器学习预测模型用于与无关的带血移植后中性粒细胞的恢复
Yachiyo Kuwatsuka1, Rika Kasajima2, Rui Yamaguchi3
1Department of Advanced Medicine, Nagoya University Hospital, Nagoya, Japan.
Transplantation and cellular therapy
|February 9, 2024
概括
机器学习准确地预测带血移植 (CBT) 后的中性粒细胞恢复. 开发的模型显示出比现有方法更高的预测性,有助于管理移植后患者对感染的脆弱性.
科学领域:
- 血液学 血液学 血液学
- 生物统计学 生物统计学
- 机器学习在医学中的应用
背景情况:
- 带血移植 (CBT) 后中性粒细胞恢复的延迟增加了感染和并发症的风险.
- 准确预测中性粒细胞的恢复对于管理患者的结果至关重要.
研究的目的:
- 开发和验证一种机器学习模型,用于预测单单元CBT后的中性粒细胞恢复.
- 将模型的预测准确性与现有的传统模型进行比较.
主要方法:
- 利用一个大型的,现实世界的日本注册数据集,其中包括2991名患有急性白血病的单单元CBT接受者.
- 采用了具有拉索惩罚的竞争风险回归模型,分析了98个变量.
- 通过使用受体运行特征曲线 (AUC) 下的面积来评估中性粒细胞在14日,28日和42日恢复的预测准确性.
主要成果:
- 在D28-CBEP的拉索回归模型中,AUC的中位数为0.74.
- 预测准确性在较早的时间点 (D14 AUC: .88) 与较晚的时间点 (D42 AUC: .68) 相比更高.
- 与四种不同的遗留模型相比,开发的模型表现出优越的预测能力.
结论:
- 机器学习有效地预测了中性粒细胞在CBT后的恢复,比传统方法提供了更好的准确性.
- 虽然具有预测性,但该模型对个体患者风险因素识别的实用性需要进一步改进.
- 随着移植后时间间隔的延长,预测准确性下降,模型复杂性增加.
