提高严重中性缺陷症预测:对在真实世界数据上训练的机器学习模型的PKPD信息标签

科学领域:

• 药理学和机器学习
• 临床数据科学 临床数据科学
• 计算生物学 计算生物学

背景情况:

• 机器学习 (ML) 的现实世界数据 (RWD) 标签受到稀疏和不平衡的阻碍.
• 准确预测多塞塔克塞尔诱导的中性质素衰竭对于患者的安全至关重要.
• 现有的方法与RWD的细微差别作斗争,用于预测建模.

研究的目的:

• 开发和评估一个基于药理动力学和药理动力学 (PKPD) 的标签策略.
• 为了提高使用ML的多塞塔塞尔诱导的中性质减退的风险预测.
• 解决RWD中的数据稀疏性和不平衡问题,用于临床结果预测.

主要方法:

• 开发了一种基于PKPD的标签策略,使用半机械模型模拟来确定中性粒细胞值.
• 在4248名患者的RWD上训练了三种ML模型 (逻辑回归,XGBoost,TabPFN).
• 对比PKPD知情标签与仅使用中性粒细胞观测的天真标签方法.

主要成果:

• 通过PKPD标记方法,标记患者的实例增加了3.4倍 (7,719 vs 2,283).
• 使用PKPD信息标签训练的ML模型在所有架构中显示出明显优异的预测性能 (AUC-ROC,AUC-PR).
• 即使与训练集大小相匹配,性能增长也是一致的.

结论:

• 基于PKPD的标签有效地克服了RWD稀疏性和不平衡性限制.
• 这一战略提高了ML模型培训标签的数量和质量.
• 该方法为改善ML的临床结果预测提供了一个强大的和可概括的框架.