使用机器学习算法预测患有血管免疫芽细胞T细胞淋巴瘤的患者中奇达米德的效率

科学领域:

• 在瘤学瘤学.
• 血液学 血液学 血液学
• 计算生物学 计算生物学

背景情况:

• 血管免疫原性T细胞淋巴瘤 (AITL) 是一种罕见的非霍奇金淋巴瘤,预后具有挑战性.
• 奇胺是一种亚型选择性组织脱乙酶 (HDAC) 抑制剂,在AITL的临床试验中显示出潜力.
• 关于奇达胺对AITL患者整体存活时间 (OS) 的影响的现实数据仍然矛盾.

研究的目的:

• 开发一种可解释的机器学习 (ML) 模型,用于预测AITL患者的2年生存期.
• 评估基达胺使用和基线特征对AITL患者生存的预测价值.
• 在现实环境中澄清奇达胺在改善AITL患者的生存状况中的作用.

主要方法:

• 使用了183名AITL患者的数据集,随机分为训练和测试集.
• 采用了五个ML算法,用于特征选择的递归特征消除 (RFE).
• 使用沙普利增量解释 (SHAP) 和局部可解释的模型不可知解释来解释模型相关性.

主要成果:

• Catboost模型获得了最好的预测性能 (AUC = 0.8651),使用了12个选定的特征.
• 奇胺的使用被确定为与2年生存期相关的第三个最重要的变量.
• 183名患者中有71人在2年内死亡,这表明存在重大生存挑战.

结论:

• 开发的Catboost模型有效地预测了AITL患者的2年生存期.
• 将奇达米德纳入治疗方案与改善AITL患者的生存状况有关.
• 这项研究为AITL的个性化治疗策略提供了宝贵的见解.