使用机器学习模型预测异位产量和影响外周血液干细胞采集的因素

科学领域:

• 血液学 血液学 血液学
• 移植免疫学 移植免疫学
• 生物统计学 生物统计学

背景情况:

• 通过异位收集的外周血液干细胞 (PBSC) 采集对于造血干细胞移植至关重要.
• 目前的动员和收集协议资源密集,通常需要多次修复会话.
• 尽量减少非瑞斯疗程对于减少供体不适和医疗费用至关重要.

研究的目的:

• 确定成功初始PBSC收获的关键预测因素.
• 为了减少在PBSC收集中需要重复的阿菲雷斯程序的需要.
• 优化PBSC动员和收集的效率和成本效益.

主要方法:

• 88个PBSC捐款的回顾性分析.
• 用G-CSF (列诺格拉斯蒂姆) 或单独使用G-CSF进行化疗的动员.
• 评估捐赠者的特征,血细胞计数和CD34+细胞.
• 应用单变量逻辑回归,极端梯度提升和多变量逻辑回归.
• 将发现集成到机器学习模型中,用于预测准确性评估.

主要成果:

• 单细胞百分比 (Mono%),供体年龄和CD34+细胞百分比 (CD34+细胞百分比) 被确定为成功初始PBSC收获的显著独立预测因素.
• 结合这些因素的机器学习模型展示了准确的预测能力.

结论:

• 已建立的机器学习方法成功地确定和验证了Mono%,年龄和CD34+细胞%作为首次尝试PBSC收获成功的关键预测因素.
• 这些经过验证的因素为指导临床PBSC收获策略提供了宝贵的见解.
• 这些发现有助于优化PBSC采集,最大限度地减少多次外注,并改善供体体验.