在免疫检查点抑制剂治疗中,基于可解释机器学习的急性损伤的个体分析

科学领域:

• 腎臟病學 (nephrology) 是一種醫學.
• 在瘤学瘤学.
• 人工智能在医学中的应用

背景情况:

• 急性损伤 (AKI) 是免疫检查点抑制剂 (ICI) 治疗的显著并发症.
• 了解癌症患者AKI的不同病因对于有效治疗至关重要.
• 在ICI治疗患者中,对AKI原因的个性化分析一直缺乏.

研究的目的:

• 单独澄清免疫检查点抑制剂治疗的患者AKI的潜在原因.
• 应用一种新的集群方法,利用Shapley添加式扩展 (SHAP) 来确定AKI的病因.

主要方法:

• 开发了一种机器学习模型,使用616名ICI治疗患者的数据,在7天内预测AKI.
• 采用SHAP来量化时间特征对AKI预测的贡献,从而实现患者聚类.
• 将SHAP衍生集群与三个脏病学家的临床注释进行了比较.

主要成果:

• 18.2%的患者经历了AKI,分为四个不同的预后集群 (p = 0.010).
• 该模型实现了AUC的0.880.0.
• 每个群体确定了临床上可解释的AKI原因,包括低血压,与药物相关的问题和癌症缓解症,传统方法无法辨别这些原因.

结论:

• 在机器学习模型中基于个体预测推理的聚类可以有效推断关键的AKI因素.
• 这种方法对具有多个AKI风险因素的患者有价值,例如接受ICI治疗的患者.
• 促进了更个性化的方法来管理癌症患者的AKI.