使用可解释的机器学习算法,预测IBRUTINIB与R-ICE在复发性或耐火性DLBCL患者中的风险
Ni Zhu1, Rong-Bin Shen1, Jun-Fa Chen1
1Department of Hematology, The First Affiliated Hospital of Zhejiang Chinese Medical University (Zhejiang Provincial Hospital of Chinese Medicine), Hangzhou, 310006, Zhejiang, China.
这项研究表明,机器学习模型可以准确预测治疗结果扩散大B细胞淋巴瘤 (DLBCL) 患者接受ibrutinib加R-ICE. 像LDH和CD5+表达这样的关键因素改善了生存预测.
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:
- 复发性或不耐药的扩散性大B细胞淋巴瘤 (DLBCL) 由于患者的结果不同,因此存在治疗挑战.
- 预测模型对于优化DLBCL治疗至关重要.
研究的目的:
- 在DLBCL中评估ibrutinib加R-ICE疗程的疗效.
- 开发和验证可解释的机器学习 (ML) 模型,用于预测DLBCL治疗风险和结果.
主要方法:
- 对28名DLBCL患者的回顾性分析,这些患者接受了ibrutinib加R-ICE治疗.
- 使用引导式方法开发和验证ML模型 (CoxBoost+StepCox).
- 对于类失衡的SMOTE-PSM;与使用决策曲线,校准和ROC分析的Cox比例危险模型进行比较.
主要成果:
- 考克斯Boost+StepCox模型表现出高预后性能,总生存 (OS) 和无进展生存 (PFS) 的C指数为0.955.
- 确定了关键预测因素:乳酸脱酶 (LDH) 的升高,初始治疗反应,复发时间>12个月,CD5+表达.
- CD5+表达对OS最具预测性,而LDH对PFS最具预测性.
结论:
- 可解释的ML模型为预测DLBCL治疗结果提供了高准确性和临床实用性.
- 这些基于数据的模型显示了在复发/耐药DLBCL治疗决策的指导潜力.
更多相关视频
07:13Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model
Published on: April 18, 2025
05:47Evidence-based Knowledge Synthesis and Hypothesis Validation: Navigating Biomedical Knowledge Bases via Explainable AI and Agentic Systems
Published on: June 13, 2025
相关概念视频
Types of Biopharmaceutical Studies: Controlled and Non-Controlled Approaches
Non-controlled studies, commonly employed for initial exploration, lack a control group, rendering them susceptible to biases and external influences. In contrast,...
Cancer Survival Analysis
