在淋巴瘤患者中预测高风险住院的机器学习:一项丹麦基于人口的研究

科学领域:

• 在瘤学瘤学.
• 传染性疾病 传染性疾病
• 医疗信息学 医疗信息学

背景情况:

• 感染是淋巴瘤患者住院和死亡的重要原因.
• 准确的感染相关住院风险分层 (IRH) 对于及时干预至关重要.
• 区分严重的IRH (S-IRH) 和非严重的IRH (NS-IRH) 可以指导临床管理.

研究的目的:

• 开发和评估基于机器学习 (ML) 的风险分层方法,用于对淋巴瘤患者的IRH进行分类.
• 使用临床数据和XGBoost模型预测严重的IRH (S-IRH).
• 评估ML模型作为决策支持工具的临床实用性.

主要方法:

• 使用来自健康记录和登记册的临床数据构建了一个XGBoost模型.
• 通过包括死亡,阳性血培,血流感染和败血症在内的标准来定义S-IRH.
• 该模型是从727名成年淋巴瘤患者的数据中训练和验证的,这些患者在2013-2023年期间接受了第一线治疗.

主要成果:

• 总共有591个IRH被确定,其中119个被归类为S-IRH.
• 在ML模型中,用于预测S-IRH的ROC-AUC达到71.0%.
• 在0.3的值下,该模型表现出63.0%的灵敏度和63.0%的特异性,负预测值为87.5%.

结论:

• 开发的ML模型在预测淋巴瘤患者的S-IRH方面显示了可接受的性能.
• 虽然作为一个独立的工具是不够的,但该模型可以作为临床医生有价值的决策支持系统.
• 进一步细化可能会提高其在淋巴瘤治疗期间管理感染风险的实用性.