在儿科高剂量甲状腺素治疗中延迟分泌的风险因素识别:对现实世界的数据进行机器学习分析
Chengyu Zhou1,2, Yali Qian1, Yao Xue3
1Pediatric Intensive Care Unit, Children's Hospital of Nanjing Medical University, Nanjing, China.
在接受高剂量甲索特雷克萨 (HDMTX) 治疗的儿科患者中,延迟甲索特雷克萨的分泌是常见的. 使用临床数据的XGBoost模型准确预测延迟分泌,确定血清肌素是关键风险因素.
科学领域:
- 儿科瘤学 儿科瘤学
- 药理动力学 药理动力学
- 机器学习在医学中的应用
背景情况:
- 高剂量甲醇 (HDMTX) 治疗对于治疗儿科癌症至关重要.
- 延迟的甲索特雷克萨特 (MTX) 排泄可能导致儿科患者的严重毒性.
- 识别风险因素和预测延迟的MTX分泌对于优化治疗结果至关重要.
研究的目的:
- 在接受HDMTX治疗的儿科患者中发现延迟MTX分泌的危险因素.
- 使用现实数据开发和验证延迟MTX排泄的预测模型.
- 加强在HDMTX治疗期间的临床决策和患者安全.
主要方法:
- 对1,485次儿科HDMTX化疗周期的回顾性分析.
- 使用 LASSO 回归,随机森林和 SVM-RFE 的变量选择.
- 使用bootstrap进行预测模型 (LR,NB,SVM,XGBoost) 的开发和内部验证.
- 使用准确度,F1分数,AUROC和Brier分数进行模型性能评估.
- 通过决策曲线分析 (DCA) 和SHAP可解释性值评估的临床效用.
主要成果:
- 延迟的MTX分泌发生在26.1%的儿科HDMTX周期中.
- 确定了关键预测因子:血清肌素 (Scr),药物总剂量 (Dose),性酸酶 (ALP),肌激酶 (CK),血液尿素 (Urea),玛-谷氨基转移酶 (GGT),血红蛋白 (HB) 和身高.
- 该XGBoost模型表现出卓越的性能:准确度为0.780,F1得分为0.669,AUROC为0.842.
- SHAP分析强调Scr是延迟MTX分泌的最重要的预测因子.
结论:
- 开发的XGBoost模型准确地预测了在接受HDMTX的儿科患者中延迟的MTX分泌.
- 该模型具有良好的临床实用性和可解释性,血清肌素是主要的风险因素.
- 这种预测工具可以帮助临床医生管理HDMTX治疗并减轻毒性风险.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
09:16Supervised Machine Learning for Semi-Quantification of Extracellular DNA in Glomerulonephritis
Published on: June 18, 2020
相关概念视频
Pharmacokinetics in Pediatric Patients: Drug Excretion
Therapeutic Drug Monitoring: Affecting Factors
Pharmacokinetics in Pediatric Patients: Drug Metabolism
Pharmacokinetics in Geriatric Patients: Effect of Age on Drug Excretion
Factors Affecting Drug Response: Overview
Pharmacokinetics in Pediatric Patients: Overview and Drug Absorption
