在免疫检查点治疗后快速识别炎症性关节炎和相关不良事件:一种机器学习方法
Steven D Tran1,2, Jean Lin3, Carlos Galvez4
1Center for Health Information Partnerships, Northwestern University Feinberg School of Medicine, Chicago, IL, United States.
Frontiers in immunology
|April 1, 2024
概括
机器学习模型在患者记录中准确地识别了免疫检查点抑制剂诱导的炎症性关节炎 (ICI-IA). 患有ICI-IA的患者患有其他免疫相关不良事件 (irAEs) 的风险更高,包括皮肤,内分泌和胃肠道问题.
科学领域:
- 在瘤学瘤学.
- 类风湿病学 类风湿病学
- 人工智能的人工智能
背景情况:
- 免疫检查点抑制剂诱导的炎症性关节炎 (ICI-IA) 是一个重大的临床挑战,往往导致治疗停止.
- 早期识别ICI-IA对于及时的风湿病转诊和管理至关重要.
- 相关的免疫相关不良事件 (irAEs) 和风险因素需要进一步阐明.
研究的目的:
- 开发和验证机器学习模型,以使用电子健康记录 (EHR) 快速识别ICI-IA患者.
- 评估ICI-IA与其他IRAE,癌症类型和特定ICI疗法之间的关联.
主要方法:
- 对2451名接受ICI治疗的癌症患者进行了回顾性研究,重点关注89名ICI-IA患者.
- 在EHR数据 (诊断,实验室,药物,程序) 上进行训练后勤回归和随机森林模型.
- 利用多变量逻辑回归来分析与癌症类型,ICI疗法和并发性irAEs的关联.
主要成果:
- 机器学习模型在识别ICI-IA患者时实现了高精度 (0.79-0.80).
- 关键的预测特征包括关节疼痛,类固醇处方和类风湿因子测试.
- 在ICI-IA患者中,皮肤 (OR=2.66),内分泌 (OR=2.09) 和胃肠道 (OR=2.88) 的IRAEs的几率明显更高.
- 与肺癌相比,黑色素瘤和细胞癌与更高的ICI-IA风险有关.
- 尼沃卢马布+皮利卢马布疗法增加了ICI-IA的可能性,而不是布罗利祖马布.
结论:
- 机器学习有效地从EHR数据中识别ICI-IA患者,突出关键的临床指标.
- ICI-IA与并发性皮肤,内分泌和胃肠道irrAEs的更高发病率密切相关.
- 了解这些关联可以改善ICI治疗的患者监测和管理策略.
