我们能确定有患多发性骨髓瘤风险的人吗? 一个基于机器学习的预测模型
Moshe Mittelman1,2, Ariel Israel3, Howard S Oster2,4
1Department of Hematology, Tel Aviv Sourasky Medical Center, Tel Aviv, Israel.
British journal of haematology
|June 17, 2025
概括
早期发现多发性骨髓瘤 (MM) 是至关重要的. 研究人员开发了使用电子健康记录的机器学习模型,以提前五年预测健康个体的MM风险.
科学领域:
- 血液学 血液学 血液学
- 医疗信息学 医疗信息学
- 在瘤学瘤学.
背景情况:
- 多发性骨髓瘤 (MM) 通常无症状地进展,导致诊断时器官受损.
- 电子健康记录 (EHR) 提供了早期风险识别的潜力.
- 预测模型可以在临床表现之前识别有风险的个体.
研究的目的:
- 开发和验证预测模型,以识别五年内患多发性骨髓瘤风险的个体.
- 为了利用广泛的EHR数据进行早期MM风险评估.
主要方法:
- 追溯分析2002-2019年EHR数据,将未来MM患者与匹配的健康对照进行比较.
- 使用>200个参数和使用20个关键变量的简化后勤回归模型开发XGBoost模型.
- 使用大量MM患者和对照群进行预测模型的验证.
主要成果:
- 未来的MM患者表现出明显的预诊断模式,包括ESR升高,血红蛋白降低和免疫缺陷增加.
- 在XGBoost模型中,预测5年MM风险的AUC为0.836.
- 一个简化后勤回归模型显示,个体风险预测的AUC为0.72.
结论:
- 机器学习模型有效预测无症状个体多发性骨髓瘤的5年风险.
- 这些利用EHR数据的预测工具可以帮助早期识别和干预风险人群.
- 这些模型显示出在临床环境中对积极的MM风险评估的实际应用的希望.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.4K
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.9K
