一个单心队列中的机器学习方法,用于预测分散型大B细胞淋巴瘤患者的初级耐火性疾病
Marie Y Detrait1, Stéphanie Warnon2, Raphaël Lagasse1,3,4
1Department of Technology and Information Systems, Grand Hôpital de Charleroi, Charleroi, Belgium.
PloS one
|October 1, 2024
概括
预测耐火性扩散性大B细胞淋巴瘤 (DLBCL) 对患者的治疗结果至关重要. 机器学习模型,特别是天真贝叶斯分类器,在识别可能患有耐火性疾病的患者方面表现有前途,有助于早期治疗决策.
科学领域:
- 血液学 血液学 血液学
- 在瘤学瘤学.
- 机器学习在医学中的应用
- 生物统计学 生物统计学
背景情况:
- 初级耐火性疾病影响了30-40%的扩散性大B细胞淋巴瘤 (DLBCL) 患者,由于预后不佳,这 presents presents是一个重要的管理挑战.
- 早期预测耐火性状态对于为治疗策略提供信息和及时干预至关重要.
- 监督机器学习 (ML) 为预测医疗环境中的患者结果提供了一种有希望的方法.
研究的目的:
- 评估五种监督机器学习 (ML) 模型在预测初级耐火DLBCL中的有效性.
- 确定最佳的ML模型,以便在DLBCL患者中早期检测耐药性疾病.
主要方法:
- 追溯单心队列研究,包括2017年至2022年期间诊断的成人DLBCL患者.
- 对人口,临床,疾病和治疗特征的分析,包括PET-CT扫描.
- 五个ML模型的比较:SVM,RFC,LR,NB 分类分类器和XGboost,使用ROC-AUC,精度和F1分数进行性能评估.
主要成果:
- 纯粹的贝叶斯 (NB) 分类分类器表现出卓越的性能,ROC-AUC为0.81,准确率为83%,F1得分为0.82.
- 影响耐火性状态的因素包括年龄,安纳伯阶段,CMV/EBV感染,并发症,IPI得分,一线治疗和社会经济地位.
- XGboost 和 RFC 模型也显示出竞争性性能,而 SVM 和 LR 的预测能力较低.
结论:
- 机器学习算法,特别是NB分类分类器,显示出预测初级耐火DLBCL的巨大潜力.
- 这些ML模型可以作为新的决策工具,以改善DLBCL的管理.
- 建议进行多中心研究,以在更大,多样化的患者队列中验证这些发现.
