对多发性骨髓瘤进行个性化动态风险评估
medRxiv : the preprint server for health sciences
|April 18, 2024
概括
一个新的机器学习模型mmSYGNAL准确地预测了多发性骨髓瘤 (MM) 进展风险. 这种工具为整个患者提供了改进的,个性化的风险分层.
科学领域:
- 在瘤学瘤学.
- 遗传学 是一个遗传学.
- 机器学习 机器学习
背景情况:
- 准确的风险分层对于多发性骨髓瘤 (MM) 个性化治疗决策至关重要.
- 患者特异性的遗传异常和瘤微环境会影响MM的结果和治疗反应.
研究的目的:
- 使用机器学习开发MM的新风险分类方案.
- 为了改善跨多种MM患者队伍的无进展生存 (PFS) 的预测.
主要方法:
- 在mmSYGNAL网络上训练了一种机器学习 (ML) 算法,该算法来自881名MM患者的多omics数据.
- 评估了ML算法的性能与细胞遗传学,国际分期系统和多基因小组相比.
- 在四个独立的患者队列中验证了风险分类方案.
主要成果:
- 在预测PFS方面,mmSYGNAL风险分类显著超过现有方法.
- 证明了在各种疾病阶段对MM进展风险的准确预测:初级诊断,移植前和移植后以及复发后.
- 强调了mmSYGNAL在整个疾病轨迹的动态,个性化风险评估中的实用性.
结论:
- mmSYGNAL为MM患者提供了增强的,个性化的风险分层.
- 该模型考虑了独特的遗传异常,并纵向监测风险.
- 这种方法支持基于疾病特征变化的MM的动态管理.
更多相关视频
05:32Multimodal Bioluminescent and Positronic-emission Tomography/Computational Tomography Imaging of Multiple Myeloma Bone Marrow Xenografts in NOG Mice
Published on: January 7, 2019
6.8K
10:04Establishment of a Human Multiple Myeloma Xenograft Model in the Chicken to Study Tumor Growth, Invasion and Angiogenesis
Published on: May 1, 2015
13.1K
