在骨髓瘤患者中使用机器学习预测高剂量甲甲酸血度
Jin Zhao1, Shuqi Dai2, Jiali He1
1Department of Pharmacy, Cancer Hospital of China Medical University, Liaoning Cancer Hospital & Institute, Shenyang, Liaoning, 110042, People's Republic of China.
Drug design, development and therapy
|May 8, 2025
概括
这项研究引入了一种可解释的机器学习模型,用于预测骨髓瘤患者的高剂量甲醇度. 该模型可以实现个性化剂量和积极的毒性管理,以改善化疗结果.
科学领域:
- 药理学和毒理学 药理学和毒理学
- 机器学习在医学中的应用
- 在瘤学瘤学.
背景情况:
- 高剂量的甲状腺素对骨髓瘤治疗至关重要,但具有狭窄的治疗窗口,风险是无效水平或毒性.
- 现有的药理动力学模型往往无法考虑患者特异性因素,从而使精确的甲状腺素剂量复杂化.
- 精确监测和预测甲状腺素血度对于优化治疗疗效和最大限度地减少不良事件至关重要.
研究的目的:
- 开发一种可解释的机器学习框架,用于早期预测骨髓瘤患者的甲状腺血度.
- 为了使数据驱动的个性化剂量决定能够在甲状腺毒性表现之前进行.
- 通过可解释的人工智能增强治疗药物监测的临床实用性.
主要方法:
- 利用了68名骨髓瘤患者的人口统计,管理和测试数据.
- 采用随机森林来识别10个关键预测特征,包括水分状态,红细胞分布宽度,血小板分布宽度,肌素等.
- 构建并评估了七个机器学习回归模型,通过交叉验证和SHAP分析验证了稳定性和可解释性.
主要成果:
- 确定了10个影响甲铁酸度的显著特征,包括水分状态,RDW-CV,PDW,肌,GGT,LPR,血清,LDH,体重和前白蛋白.
- 轻GBM成为最佳预测模型,达到0.87.87的高R2.
- 最好的模型表现出强大的预测性能,MSE=0.020,RMSE=0.141和MAE=0.065.
结论:
- 开发的机器学习框架提供了准确和可解释的早期预测甲状腺血度.
- 这种方法促进了个性化剂量策略,从反应性毒性管理转向骨髓瘤治疗中的积极准确医学.
- 由SHAP衍生的特征重要性提高了临床信任和适用性,为优化化疗方案铺平了道路.
