基于机器学习的急性白血病患者并发症风险预测模型的构建和验证

科学领域:

• 血液学 血液学 血液学
• 机器学习在医学中的应用
• 临床决策支持 临床决策支持

背景情况:

• 在急性白血病的诱导化疗期间发生的严重并发症显著增加了发病率和死亡率.
• 目前的风险评分对临床决策的预后准确性和校准性有所限制.

研究的目的:

• 开发和外部验证一种机器学习模型,用于预测诱导化疗后的严重并发症.
• 评估模型在不同患者子组中的临床实用性.

主要方法:

• 来自三个中心 (2013-2024) 的电子健康记录的回顾性分析,涉及2870名患有AML或ALL的成年人.
• 从42个候选预测器中选择特征,然后训练五个监督算法 (弹性网,随机森林,XGBoost,LightGBM,MLP).
• 使用嵌套交叉验证进行评估,评估歧视,校准,决策曲线净收益和SHAP可解释性.

主要成果:

• 该LightGBM模型显示了高的预测性能 (衍生AUROC:0.824,外部验证AUROC:0.801).
• 优秀的校准 (斜率=0.97,截图=-0.03) 和优越的决策曲线净收益与现有基准相比.
• 最重要的预测因素包括CRP,绝对中性粒细胞计数,细胞遗传风险层,年龄和费里丁,具有可解释的SHAP效应.

结论:

• 一个经过严格验证的LightGBM模型准确地预测了急性白血病诱导治疗后的严重并发症.
• 该模型为风险适应的支持性护理策略提供了基础,增强了临床决策支持.
• 需要进行前性研究来确认这种预测工具的实际临床影响和实用性.