针对多发性骨髓瘤的机器学习风险分层策略:来自EMN-HARMONY联盟平台的见解
Adrian Mosquera Orgueira1, Marta Sonia Gonzalez Perez1, Mattia D'Agostino2,3
1Department of Hematology, IDIS University Hospital of Santiago de Compostela Santiago de Compostela Spain.
HemaSphere
|October 13, 2025
概括
机器学习模型为多发性骨髓瘤 (MM) 患者提供了改进的风险分层. 这些新的预后得分提高了对新诊断的MM (NDMM) 传统方法的预测准确度.
科学领域:
- 血液学 血液学 血液学
- 计算生物学 计算生物学
- 在瘤学瘤学.
背景情况:
- 使用临床和细胞遗传数据的多发性骨髓瘤 (MM) 传统风险分层具有有限的预测准确性.
- 机器学习 (ML) 提出了一种新的方法,通过分析大型数据集中的复杂相互作用来增强预测能力.
研究的目的:
- 为新诊断的MM (NDMM) 开发和验证新的ML驱动的预后得分.
- 提高现有的MM风险分层系统的预测准确度.
主要方法:
- 对EMN-HARMONY MM队列 (14,345名患者,包括10,843名NDMM患者) 的分析.
- 开发了三种ML模型:综合性 (20个变量),减少性 (6个关键变量) 和无细胞遗传学.
- 内部验证 (交叉验证) 和外部验证 (骨髓瘤XI试验).
- 使用一致性指数 (C指数) 和时间依赖的ROC-AUC的性能评估.
主要成果:
- 与ISS,R-ISS和R2-ISS相比,ML模型证明了总生存 (OS) 和无进展生存 (PFS) 的预后准确性得到改善.
- 综合模型的C指数为0.666 (OS培训) 和0.620 (PFS培训).
- 减少和无细胞遗传学模型也显示出竞争性表现,当包括治疗数据时,准确性提高.
结论:
- 基于ML的风险分层为MM患者提供了个性化的预测,优于传统的基于小组的方法.
- 开发的模型可以在各种MM子组中复制,包括现实世界和复发/耐药群体.
- 在线风险计算器可用于这些先进的预测工具的实际应用.
