使用机器学习和自然语言处理的抗凝血药物治疗癌症相关静脉血栓栓塞症患者大出血的预测模型

科学领域:

• 在瘤学瘤学.
• 血液学 血液学 血液学
• 医疗信息学 医疗信息学

背景情况:

• 癌症患者患有静脉血栓栓塞 (VTE) 的风险增加.
• 抗凝固药物治疗是VTE的标准,但存在严重出血 (MB) 的风险.
• 在这种人群中,准确预测MB的风险对于治疗管理至关重要.

研究的目的:

• 在接受抗凝剂的癌症患者中,在初级静脉血栓塞栓症 (VTE) 诊断后六个月内开发和验证大出血 (MB) 风险的预测模型.
• 描述癌症患者中VTE的流行,发病率和临床特征.
• 在这个患者队列中确定MB的预测因子.

主要方法:

• 观察性,回顾性,多中心研究,使用来自西班牙9家医院 (2014-2018) 的电子健康记录.
• 自然语言处理和机器学习 (ML) 应用于非结构化临床数据.
• 经过训练和验证的后勤回归,决策树和随机森林模型;与CAT-BLEED得分进行比较.

主要成果:

• 住院VTE患病率为5.8%;每年发病率在2.7-3.9%之间.
• 在21227名接受抗凝药治疗的癌症患者中,10.9%的患者在六个月内经历了VTE.
• 确定了关键的MB预测因子:血红蛋白,转移,年龄,血小板,白细胞和血清肌.
• 开发的ML模型 (AUC-ROC 0.60-0.61) 的表现优于CAT-BLEED的得分 (AUC-ROC 0.53).

结论:

• 开发的预测模型在识别患有高风险大出血的VTE癌症患者方面表现出有效性.
• 这些发现支持了改善临床决策的潜力,用于管理与癌症相关的VTE抗凝药.
• 进一步验证和实施这些模型可以提高患者的安全性和结果.