基于机器学习模型的儿童急性淋巴细胞白血病瘤溶解综合征的预测:一项回顾性研究
Yao Xiao1, Li Xiao1, Yang Zhang2
1Department of Hematology and Oncology, Children's Hospital of Chongqing Medical University, National Clinical Research Center for Child Health and Disorders, Chongqing Key Laboratory of Pediatrics, Ministry of Education Key Laboratory of Child Development and Disorders, Chongqing, China.
Frontiers in oncology
|March 22, 2024
概括
这项研究开发了一种机器学习模型,用于预测儿科急性淋巴细胞白血病 (ALL) 患者的瘤溶解综合征 (TLS). 该模型使用诊断临床指标来识别高风险个体进行个性化治疗.
科学领域:
- 儿科瘤学 儿科瘤学
- 计算生物学 计算生物学
- 临床信息学 临床信息学
背景情况:
- 瘤溶解综合征 (TLS) 是急性淋巴细胞白血病 (ALL) 诱导化疗的关键早期并发症.
- TLS的快速进展对儿科患者构成重大风险.
- 准确预测TLS风险对于及时干预和管理至关重要.
研究的目的:
- 开发和验证用于预测儿科ALL患者TLS风险的机器学习模型.
- 在诊断时确定预测TLS发展的关键临床指标.
- 帮助临床医生进行风险分层和针对儿科ALL进行个性化治疗计划.
主要方法:
- 一项观察性队列研究,涉及2,243名儿科ALL患者,这些患者在2008年至2021年期间被诊断为ALL.
- 使用最小绝对收缩和选择运算符 (LASSO) 来进行特征选择,构建了四个机器学习模型.
- 选择了CatBoost模型,因为它在预测TLS风险方面的性能优越.
主要成果:
- CatBoost模型实现了0.832的曲线下面积 (AUC) 和0.758.758的精度.
- 通过LASSO回归分析确定了12个关键风险因素.
- 对TLS的显著风险因素包括缺乏,,AST,WBC和尿素水平.
结论:
- 开发的模型是该类型中的第一个用于预测儿科ALL的TLS.
- 这种工具可以帮助临床医生在诊断时分层患者的风险.
- 该模型支持开发个性化的治疗方案,以减轻TLS并发症.
