可解释的机器学习预测了tepotinib治疗患者的胀不良事件
Federico Amato1, Rainer Strotmann2, Roberto Castello1
1Swiss Data Science Center (EPFL and ETH Zurich), Lausanne, Switzerland.
Clinical and translational science
|September 2, 2024
概括
机器学习模型准确地预测tepotinib治疗患者的风险,这是一种治疗非小细胞肺癌的药物. 这些模型将血清白蛋白和年龄确定为影响发育的关键因素.
科学领域:
- 在瘤学瘤学.
- 药物监督 药物监督 药物监督
- 计算生物学 计算生物学
背景情况:
- 德波提尼布治疗非小细胞肺癌 (NSCLC) 用MET外因子14跳转改变.
- 胀是特波提尼布等MET抑制剂的常见不良事件 (AE),但导致因素尚未完全理解.
研究的目的:
- 开发机器学习 (ML) 模型,用于预测在接受tepotinib的患者中胀的发生和严重程度.
- 通过使用ML解释性来识别影响发育的关键因素.
主要方法:
- 利用了来自5个tepotinibI/II期研究的612名患者的数据.
- 采用随机森林和梯度提升树木算法进行预测,并对真实的估计进行概率校准.
- 应用ML可解释性方法来识别有影响力的共变量.
主要成果:
- 通过在独立数据上验证的ML模型实现了高预测性能 (F1得分高达0.961).
- 鉴定出血清白蛋白是最重要的瘤纵向预测因子.
- 发现较高的年龄与更严重的胀的可能性增加有关.
结论:
- 开发的ML框架有效地分析临床安全数据,利用纵向信息来预测AE.
- 概率校准可确保准确的AE概率估计.
- 可解释性工具为推动预测的因素提供了洞察力,支持患者层面的解释.
更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.8K
07:25Predicting Amputation using Local Circulating Mononuclear Progenitor Cells in Angioplasty-treated Patients with Critical Limb Ischemia
Published on: September 22, 2020
3.4K
