一项基于真实数据的VTE风险预测模型对淋巴瘤患者的研究
Changli He1, Yin Wang1, Han Zhang1
1Department of Pharmacy, Personalized Drug Research and Therapy Key Laboratory of Sichuan Province, Sichuan Provincial People's Hospital, School of Medicine, University of Electronic Science and Technology of China, Chengdu, China.
Frontiers in pharmacology
|October 30, 2025
概括
一个新的机器学习模型准确地预测了淋巴瘤患者的静脉血栓栓塞 (VTE) 风险. 这种工具有助于早期检测,并指导抗凝策略,以改善患者的治疗结果.
科学领域:
- 在瘤学瘤学.
- 血液学 血液学 血液学
- 数据科学数据科学数据科学
背景情况:
- 恶性瘤增加了静脉血栓栓塞 (VTE) 的风险,影响了患者的预后.
- 目前,对于淋巴瘤患者的血栓形成风险没有可靠的预测模型.
- 这项研究解决了对可靠的风险评估工具的需求,以便在这个人群中早期识别VTE.
研究的目的:
- 开发和验证用于预测淋巴瘤患者静脉瘤风险的机器学习模型.
- 利用现实世界的数据来创建可靠的风险评估工具.
- 在临床实践中促进VTE的早期识别和风险分层.
主要方法:
- 605名住院淋巴瘤患者的回顾性分析 (2019年1月 - 2024年6月).
- 包括人口统计,并发症,瘤相关,治疗相关和实验室预测因素.
- 开发涉及多个归算,采样,特征选择策略和9个机器学习算法.
主要成果:
- 通过结合不同的数据处理和机器学习技术,生成了243个模型.
- 最佳模型 (Simp-SMOTE_rf_GBM) 实现了最高的预测性能,AUC为0.954.
- 确定的主要预测因素包括抗凝剂使用,D-二聚体,LDH,CVC,CEA,ECOG得分,TP,TC和传染病.
结论:
- 一个经过验证的机器学习模型表明,在淋巴瘤患者中,可以很好地预测静脉瘤风险 (AUC = 0.954).
- 该模型支持临床决策对抗凝血时间和策略.
- 实施可以通过早期VTE查和风险分层来改善患者的治疗结果.
