在新诊断的和复发的多发性骨髓瘤中,联合人工智能驱动的事件预测和纵向建模

科学领域:

• 计算瘤学是一种计算瘤学.
• 机器学习在血液学中的应用.
• 在多发性骨髓瘤的精准医学.

背景情况:

• 目前的多发性骨髓瘤管理平衡了生存率,不良事件和疾病监测.
• 现有的数据驱动模型解决了个别任务,但缺乏整体的患者视图.
• 医生决策受限于缺乏综合预测工具.

研究的目的:

• 开发基于变压器的机器学习模型,以全面评估多发性骨髓瘤.
• 共同预测无进展生存率 (PFS),总生存率 (OS) 和不良事件 (AE).
• 预测疾病的生物标志物和评估治疗策略的影响,如ixazomib,lenalidomide,dexamethasone (IRd) 和lenalidomide,dexamethasone (Rd).

主要方法:

• 利用TOURMALINE试验数据进行模型培训和内部验证 (N=703名新诊断的患者).
• 在复发和耐火性髓瘤患者 (N=720) 上对该模型进行了外部验证.
• 采用基于变压器的深度学习架构,用于集成的预测和预测.

主要成果:

• 与国际分期系统 (ISS) 相比,该模型表现出优异的性能 (p < 0.001).
• 在生物标志物预测方面实现了与任务特定模型相比的生存预测,并且在生物标志物预测方面表现优于深度学习模型 (p < 0.001).
• 根据个人治疗效果估计,确定了IRd治疗对IgA kappa髓瘤患者的潜在益处.

结论:

• 通过开发的机器学习模型,可以实现对多发性骨髓瘤进展的整体评估.
• 该模型为多发性骨髓瘤护理中的个性化决策支持系统提供了基础.
• 这种综合方法可以通过平衡存活率,不良事件和疾病监测来改善患者管理.