机器学习用于预测儿科古典霍奇金淋巴瘤的临时反应,使用负担得起的血液测试

科学领域:

• 在瘤学瘤学.
• 生物化学 生化学
• 医疗成像医学成像

背景情况:

• pozitron发射断层扫描 - 计算机断层扫描 (PET-CT) 是评估经典霍奇金淋巴瘤 (cHL) 治疗反应的标准.
• 在许多非洲国家,PET-CT往往无法获得,这限制了有效的响应评估.
• 需要可访问的方法来评估儿科cHL的治疗疗效.

研究的目的:

• 探索血液检测结果的变化与儿科cHL患者中PET-CT临时发现之间的相关性.
• 为了确定可访问的血液标志物是否可以预测cHL的早期治疗反应.
• 在资源有限的环境中,为响应评估提供一个具有成本效益的替代方案.

主要方法:

• 在84名儿科cHL患者的化疗后比较费里丁,LDH,ESR,白蛋白,TWC和ALC的变化与PET-CT Deauville得分.
• 使用机器学习模型 (逻辑回归,随机森林,天真贝叶斯,SVM) 进行分析.
• 使用k-最近邻近算法计算缺失的数据并将数据分割成训练/测试集.

主要成果:

• 随机森林模型在预测早期治疗反应 (RER与SER) 中达到73%的准确性.
• 适用于完整数据集的最佳模型显示了80%的预测准确度和89%的AUC.
• 绝对淋巴细胞计数 (ALC) 的变化是最重要的预测因素 (21%),其次是费里丁,LDH和TWC.

结论:

• 随时可用的血液测试的变化可以预测缺乏PET-CT接入的儿科cHL患者的化学敏感性.
• 这种基于血液的方法可能有助于识别可能避免放射治疗的患者.
• 血液测试的变化应与临床数据和可用的成像相结合,以指导治疗决策并防止治疗不足.