使用机器学习技术来预测为骨髓纤维化移植血造细胞移植后的低生存率

科学领域:

• 血液学 血液学 血液学
• 在瘤学瘤学.
• 生物统计学 生物统计学

背景情况:

• 骨髓纤维化 (MF) 的有效疗法需要精确的结果预测,以获得最佳的全源造血细胞移植 (allo-HCT) 时间.
• 准确的预后对于在接受allo-HCT的多发性肺炎患者的治疗决策至关重要.

研究的目的:

• 开发和验证机器学习 (ML) 模型,用于预测MF患者的整体存活率 (OS).
• 将基于ML的模型的性能与风险分层的现有得分进行比较.

主要方法:

• 利用了来自EBMT中心的5,183名多发性纤维患者的数据,这些患者接受了第一批HCT (2005-2020年) 治疗.
• 开发了一种使用10个关键变量的随机生存森林 (RSF) 模型,并将其与训练/测试集进行验证.
• 将RSF性能与考克斯回归,其他ML模型和CIBMTR得分进行比较.

主要成果:

• 与MF子组中的所有其他模型相比,RSF模型表现出优异的性能 (一致性指数).
• RSF显示出稳定性和通用性,通过AIC和时间依赖的ROC AUC指标进行验证.
• RSF有效地确定了一组高风险患者 (25%),在分离非复发死亡率的生存曲线方面表现优于其他患者.

结论:

• 机器学习显著提高了MF患者接受allo-HCT的风险分层,支持个性化医疗.
• 开发的RSF模型为识别高风险患者提供了一种实用工具,有助于做出明智的治疗决定.
• 由ML驱动的风险分层推进了为骨髓纤维化进行血造细胞移植的个性化护理策略.