按年龄分层的机器学习识别了AML分子变化的不同预后意义

科学领域:

• 血液学 血液学 血液学
• 在瘤学瘤学.
• 遗传学 遗传学 是一个

背景情况:

• 急性髓性白血病 (AML) 风险分层传统上依赖于遗传因素.
• 患者年龄是AML治疗决策的关键决定因素,通常会超过遗传预后.

研究的目的:

• 研究患者年龄如何改变AML遗传突变的预后意义.
• 开发和验证机器学习模型,用于预测跨不同年龄组的AML结果.

主要方法:

• 从多个队伍中汇集了3062名儿科和成人AML患者的数据.
• 采用机器学习模型和沙普利 (SHAP) 值来识别预后变量并量化它们在六个年龄层的影响.
• 分析了突变频率及其与患者年龄相关结果的关联.

主要成果:

• 突变模式随年龄显著变化,信号通路突变在年轻患者中更为常见,老年患者的表观遗传/结合体/TP53改变更为常见.
• 机器学习模型实现了高预测准确性 (AUC为0.801完全缓解,0.791为2年整体存活).
• 年龄大大改变了基因变化的预后值;TP53,ASXL1和del{5q) 突变在年轻患者中造成不成比例的更高风险.

结论:

• 在AML中,遗传风险分层是根据患者年龄显著调节的,需要年龄上下文化的模型.
• 目前用于AML的统一风险分层模型可能不足.
• 开发年龄敏感的AML治疗策略对于优化患者护理和生存结果至关重要.