经典统计和机器学习方法在预测急性髓性白血病患者血栓的比较

科学领域:

• 在瘤学瘤学.
• 数据科学数据科学数据科学
• 医疗信息学 医疗信息学

背景情况:

• 血栓形成是癌症患者的常见和严重并发症,特别是急性髓性白血病 (AML) 患者.
• 有效的血栓形成预防对于癌症管理至关重要,但存在风险,需要针对高风险个体进行有针对性的应用.
• 识别患有血栓形成风险的患者对于优化预防策略至关重要.

研究的目的:

• 探索数据科学 (DS) 方法对预测急性髓性白血病 (AML) 患者静脉血栓的有用性.
• 通过使用统计和机器学习 (ML) 算法,识别AML患者中血栓形成的显著预测因素.
• 通过改善血栓形成风险预测,增强个性化治疗规划.

主要方法:

• 应用统计和机器学习 (ML) 算法来预测AML患者的血栓形成风险.
• 评估各种ML模型,其中多层感知器 (MLP) 被确定为表现最好.
• 对有助于血栓形成预测的显著属性的分析.

主要成果:

• 多层感知子 (MLP) 模型实现了0.749的C统计,用于血栓形成的预测.
• 确定了六个重要参数:患者的性别,先前的血栓事件,治疗类型,INR,ECOG性能状态和HCT-CI.
• 这些因素共同有助于预测AML患者的血栓形成风险.

结论:

• 数据科学技术在改善AML患者血栓形成的预测方面表现有前途.
• 通过DS识别高风险个体可以帮助定制预防策略和治疗计划.
• 这种方法通过优化瘤学中血栓形成并发症的管理来支持个性化医疗.