美国退伍军人转移性割抵抗性前列腺癌的药物处方政策:因果机器学习方法
Deepika Gopukumar1,2, Nirup Menon3, Martin W Schoen2,4
1Richard A Chaifetz School of Business, Saint Louis University, St. Louis, MO, United States.
JMIR medical informatics
|November 19, 2024
概括
对于转移性割抵抗性前列腺癌 (mCRPC) 患者来说,恩扎胺比阿比拉提供了更多的生存日. 机器学习识别了患者子组,并创建了处方规则,以个性化治疗和改善生存时间.
科学领域:
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
- 生物统计学 生物统计学
背景情况:
- 转移性割抵抗性前列腺癌 (mCRPC) 的死亡率很高,由于毒性较低,阿比拉和恩扎胺等雄激素受体通路抑制剂 (ARPIs) 优先于多塞塔塞尔.
- 识别患者水平治疗反应的异质性对于优化mCRPC生存时间至关重要.
- 之前的研究还没有利用机器学习来建立基于患者数据的mCRPC异质治疗规则.
研究的目的:
- 量化mCRPC患者处方药和总生存时间 (随访日) 之间的患者水平异质性.
- 开发个性化的药物处方规则,使用患者人口统计数据,测试结果和并发症.
主要方法:
- 对2886名患有mCRPC的美国退伍军人进行分析,这些退伍军人从2014年至2020年期间接受了阿比拉或恩扎胺作为一线治疗.
- 排除用多塞塔克塞尔,卡巴克西塔克塞尔,米托克桑或西布鲁塞尔-T治疗的患者.
- 应用因果生存森林来估计治疗效果并构建处方政策树.
主要成果:
- 与abiraterone相比,恩扎胺与平均59.94天的存活时间有关.
- 在人口统计学,测试结果和并发症的治疗效果中,观察到患者层面的显著异质性.
- 使用增强逆倾向权重 (AIPW) 评分确定了两个不同的患者子组,表明了差异化治疗效益.
结论:
- 在mCRPC治疗中异质性的证据表明,个性化处方规则可以提高生存率.
- 基于患者特征,实验室结果和并发症的机器学习衍生规则可以指导最佳药物选择.
- 个性化治疗决策有可能提高mCRPC患者的生存时间.
关键词:
因果关系生存森林森林不同质性的异质性机器学习是机器学习.转移性割抵抗性前列腺癌转移性前列腺癌瘤学 在瘤学方面.药理学 药理学 药理学 药理学 药理学处方政策树 - 处方政策树前列腺癌是前列腺癌.更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
06:55Inverse Probability of Treatment Weighting Propensity Score using the Military Health System Data Repository and National Death Index
Published on: January 8, 2020
14.4K
