一个预测算法来区分髓状恶性瘤和白血病反应

科学领域:

• 血液学 血液学 血液学
• 医疗信息学 医疗信息学
• 机器学习 机器学习

背景情况:

• 成年人中中性粒细胞占主导的白细胞瘤 (WBC>50,000/μL) 需要紧急治疗.
• 区分慢性骨髓性恶性瘤和白血病反应在临床上具有挑战性.
• 现有的诊断模型对于这些情况缺乏准确性.

研究的目的:

• 开发和验证一种机器学习模型,以区分髓质恶性瘤与白血病反应.
• 为了提高诊断准确性,在严重白细胞病的病例.
• 确定主要的人口和实验室预测因素.

主要方法:

• 成年患者的回顾性分析WBC>50,000/μL和>50%的中性粒细胞 (2000-2021).
• 在初始呈现时提取人口和实验室数据.
• 应用监督机器学习方法,包括支持矢量机器算法.

主要成果:

• 最好的支向量机器模型实现了96%的灵敏度和95.9%的特异性 (AUC=0.982) 来检测髓质恶性瘤.
• 确定了髓状瘤恶性瘤的显著预测因子.
• 观察到,与骨髓状恶性瘤相比,白血病反应的12个月死亡率增加了6倍.

结论:

• 机器学习模型可以准确诊断深度中性粒细胞占主导地位的白细胞病.
• 这些模型解决了对及时和精确诊断的未满足需求.
• 经过验证的预测模型可以提高患者的治疗结果,并指导临床管理.