基于机器学习的全源移植中急性移植对宿主疾病的整体预测模型的开发
Lin Song1, Xingwei Wu2, Mengjia Xu1,3
1Department of Pharmacy, The First Affiliated Hospital of Soochow University, Suzhou, 215006, China.
BMC medical informatics and decision making
|July 2, 2025
概括
这项研究开发了一种新的机器学习模型,用于预测移植后的急性移植对宿主疾病 (aGVHD),并将免疫抑制剂暴露纳入其中. 该模型显示,在早期识别高风险患者方面,准确度有所提高.
科学领域:
- 血液学 血液学 血液学
- 在瘤学瘤学.
- 免疫学 免疫学 免疫学
- 数据科学数据科学数据科学
- 人工智能的人工智能
背景情况:
- 急性移植对宿主疾病 (aGVHD) 是一个关键的移植后并发症,也是非复发性死亡的主要原因.
- 由于复杂的临床数据,预测aGVHD具有挑战性.
- 以前的机器学习模型没有考虑免疫抑制剂的暴露.
研究的目的:
- 为GVHD风险开发和优化预测模型.
- 将环素A暴露和临床因素纳入预测模型.
- 利用考克斯回归和机器学习算法进行增强的预测.
主要方法:
- 数据预处理和8:2随机分配到培训和验证集中.
- 使用相关性分析和递归特征消除进行特征选.
- 通过对表现最好的算法进行软投票来开发一个整体模型 (总共评估了15个).
主要成果:
- 整体模型实现了0.776的AUC,超过了考克斯回归 (AUC0.625).
- 关键预测因素包括已知的因素和新的因素,如诺龙,血液尿素和性酸酶.
- 该模型表现出了良好的性能,准确度=0.729,精度=0.667,回忆=0.375,F1分数=0.480.
结论:
- 一种新的整体模型有效地预测了异性造血干细胞移植 (allo-HSCT) 患者的II-IV级aGVHD.
- 该模型为早期识别高风险个体提供了有希望的准确性.
- 早期识别可以促进及时干预,以减少aGVHD发生率.
