人工智能模型对DLBCL多中心真实世界人口中早期复发后T细胞治疗的风险进行分类

科学领域:

• 癌症学
• 生物医学数据科学
• 血液学

背景情况:

• 现实世界 (RW) 证据证实了 axicabtagene ciloleucel (axi- cel) 在扩散性大B细胞淋巴瘤 (DLBCL) 中的疗效,反映了关键试验结果.
• 尽管axi- cel的成功,但很大一部分患者 (近57%) 复发,需要进一步的治疗策略.
• 识别患有早期复发高风险的患者对于优化治疗和改善长期生存至关重要.

研究的目的:

• 在多中心加利福尼亚大学 (UC) 卫生系统队列中评估axi-cel的现实性能.
• 开发和验证一种机器学习 (ML) 决策树模型,用于预测DLBCL患者的早期复发 (在六个月内).

主要方法:

• 在2017年至2024年间,对416名成人DLBCL患者进行了回顾性分析.
• 使用患者年龄和六种常规实验室测试 (LDH,CRP,费里丁,血红素,血小板计数,PT) 的决策树模型的开发.
• 使用接收器操作特征下的面积 (AUROC) 曲线和决策曲线分析进行性能评估.

主要成果:

• 无进展生存时间 (PFS) 中位数为10. 1个月,总生存时间 (OS) 中位数为54. 4个月.
• 18个月的PFS和OS率分别为41. 6%和65. 5%.
• 该ML模型的AUROC为0.82并且在各种决策值中显示出临床效用.

结论:

• 这项研究证实了axicel在不同DLBCL患者群体中的实际有效性.
• 开发的ML模型提供了一种基于数据的新方法来识别患有早期复发风险的患者.
• 这种预测模型有可能指导临床决策,并为高风险的DLBCL患者探索额外的干预措施.