用于预测急性移植对宿主病的发生和严重程度的两种机器学习衍生名录:基于血清生物标志物的回顾性研究

科学领域:

• 生物医学科学 生物医学科学
• 计算生物学 计算生物学
• 免疫学 免疫学 免疫学

背景情况:

• 急性移植对宿主疾病 (aGVHD) 是全源造血细胞移植 (allo-HSCT) 的主要并发症,与显著的发病率和死亡率有关.
• 目前的治疗方法,主要是葡萄糖皮质类药物,只能在约一半的患者中实现完全缓解,这凸显了改善诊断和预后工具的需要.
• 确定可靠的生物标志物对于早期诊断和aGVHD的风险分层至关重要.

研究的目的:

• 开发和验证机器学习模型,用于预测aGVHD的发生和严重程度.
• 确定与aGVHD风险和进展相关的新型血清生物化学生物标志物.
• 构建用于管理aGVHD的临床应用的诺莫格拉姆模型.

主要方法:

• 从120名接受allo-HSCT.患者的临床数据的回顾性分析.
• 评估15个血清生物化学指标的诊断性质,以区分aGVHD.
• 应用LASSO和随机森林 (RF) 算法来识别aGVHD发生和严重性的预测生物标志物.
• 使用已识别的生物标志物构建和验证名录和风险评分模型.

主要成果:

• 15个指标中的12个显示了aGVHD和非aGVHD组之间的显著差异 (AUC>0.75).
• 机器学习确定了包括LAG-3,TLR-2,PD-L1,IP-10,elafin,REG-3α,ST2和TIM3在内的关键生物标志物,用于预测aGVHD的发生和严重程度.
• 基于生物标志物的风险评分模型在内部和外部验证数据集中实现了AUC值大于0.89.

结论:

• 机器学习算法有效地利用临床变量和血清生物标志物来预测aGVHD风险和严重程度.
• 开发的预测模型表明预测和实际概率之间存在良好的一致性,支持它们的临床实用性.
• 这些发现可以帮助临床医生制定个性化管理策略,为患有aGVHD.风险的患者.