机器学习模型预测了与慢性淋巴细胞白血病相关的异常淋巴细胞瘤

科学领域:

• 血液学 血液学 血液学
• 医疗信息学 医疗信息学
• 机器学习 机器学习

背景情况:

• 慢性淋巴细胞白血病 (CLL) 的诊断往往延迟,错过了早期干预的机会.
• 在疾病进展之前识别患有CLL风险的患者存在重大护理差距.
• 目前还没有广泛采用的机器学习 (ML) 模型可以预测CLL的发展.

研究的目的:

• 开发和验证基于ML的风险模型,用于预测与CLL相关的异常淋巴细胞瘤.
• 利用现有的实验室数据来预测CLL风险.
• 为了解决CLL的诊断延迟,并识别有风险的个体.

主要方法:

• 一项观察性研究使用了从1,090,707名成年患者 (年龄在50-75岁) 获得的未确定的实验室数据,初始绝对淋巴细胞计数 (ALC) <5 × 10^9/L.
• 跨越7年的数据被分为80%的培训和20%的测试集.
• 采用随机森林生存方法来构建ML模型,结果定义为ALC≥5 × 10^9/L和≥40%的相对淋巴细胞.

主要成果:

• 一个12个变量的风险分类器准确地预测了ALC≥5 × 10^9/L在5年内 (AUC=0.92).
• 关键预测因素包括ALC的初始和斜率,白细胞计数 (WBC),血小板计数,年龄和性别.
• 该模型在一个独立的测试集上表现出强大的预测性能.

结论:

• 开发的ML风险分类器使用常规实验室数据准确预测CLL的异常淋巴细胞瘤.
• 这些发现支持该模型的临床实用性,用于更早地识别CLL风险.
• 建议进行进一步的前性研究,以确认该模型的实际临床影响.