机器学习算法用于探索具有异质治疗效果的临床显著的CMV感染和HSCT后非复发死亡率的患者
Takashi Toya1, Yujiro Nakajima2,3, Konan Hara1,4
1Hematology Division Tokyo Metropolitan Komagome Hospital Tokyo Japan.
EJHaem
|August 11, 2025
概括
一个新的机器学习模型识别了在干细胞移植后具有不同风险的细胞巨乳病毒感染和非复发性死亡率的患者子组. 这为管理移植并发症提供了更个性化的方法.
科学领域:
- 血液学 血液学 血液学
- 移植免疫学 移植免疫学
- 计算生物学是一种计算生物学.
背景情况:
- 临床显著的细胞巨乳病毒感染 (csCMVi) 和非复发性死亡率 (NRM) 是异构造血源干细胞移植 (HSCT) 后的主要担忧.
- 对这些并发症来说,识别具有异质治疗效应 (HTEs) 的子群是至关重要的,但仍然不清楚.
- 在HSCT中现有的机器学习 (ML) 应用缺乏方法的清晰度.
研究的目的:
- 开发和验证一种可解释的ML算法,用于在HSCT后识别csCMVi和NRM的HTEs.
- 探索这些不良结果的不同风险概况的患者亚群.
- 为了比较开发的ML模型与传统统计方法的性能.
主要方法:
- 开发了一种新的ML算法,结合权重程序和左截断和右截断的树.
- 将算法应用于一个大规模的日本注册数据集,其中包括10,480名HSCT患者.
- 使用c指数评估模型性能,并与细灰模型进行比较.
主要成果:
- 确定了CMV阳性,患者年龄和急性移植对宿主疾病作为cSCMVi的关键预测因素.
- 将患者分为子组,ccmvi的累积发病率在22.7%至82.7%之间.
- 将患者分为分组,其3年NRM从8.0%到48.5%不等;ML和Fine-Gray模型显示了可比的性能.
结论:
- 开发了一种可靠,可解释和可解释的ML模型,用于在HSCT后探索csCMVi和NRM的HTEs.
- 该模型使得HSCT接受者能够更好地进行风险分层和个性化管理策略.
- 这种方法促进了ML在理解和减轻移植相关并发症方面的应用.
更多相关视频
08:52Generation of Multivirus-specific T Cells to Prevent/treat Viral Infections after Allogeneic Hematopoietic Stem Cell Transplant
Published on: May 27, 2011
17.3K
12:18A Machine Learning Approach to Design an Efficient Selective Screening of Mild Cognitive Impairment
Published on: January 11, 2020
7.6K
