使用机器学习模型预测获得的无形性贫血中的二次髓状瘤
Ahmet Celal Toprak1, Mutlu Mete2, Julia J Shi1
1Division of Hematology and Oncology, Department of Internal Medicine, University of Texas Southwestern Medical Center, Dallas, TX.
Blood neoplasia
|November 24, 2025
概括
机器学习模型在接受免疫抑制疗法治疗的无形成性贫血患者中预测了二次髓质瘤. 这些工具可以指导造血干细胞移植决策和监测策略.
科学领域:
- 血液学 血液学 血液学
- 在瘤学瘤学.
- 机器学习在医学中的应用
背景情况:
- 接受免疫抑制疗法 (IST) 治疗的获得性无形成性贫血 (AA) 患者有显著的风险 (高达20%) 发展二级髓质瘤 (sMNs).
- 造血干细胞移植 (HSCT) 可以治疗AA并预防sMNs,但从历史上看,IST是老年患者或没有捐赠者的第一线治疗.
- 改善HSCT结果需要更好的工具来识别高风险患者,以便早期考虑移植或量身定制的监测.
研究的目的:
- 开发和验证机器学习模型,用于预测获得AA的成年患者中sMNs的发展.
- 确定诊断时和IST反应后sMN发展的关键临床预测因素.
主要方法:
- 从275名成年AA患者的临床数据分析,这些患者在1975年至2023年期间在三个主要医疗中心接受治疗.
- 收集了79个临床变量,包括人口统计,人体突变和治疗反应.
- 开发两种二进制机器学习模型 (神经网络),使用leave-1-out交叉验证来预测诊断时的sMN风险和IST后6个月的反应.
主要成果:
- 这两种模型都显示出强大的预测性能 (AUC=0.82,灵敏度=0.82,特异性=0.73).
- 对sMN发展的关键预测因素包括*DNMT3A*突变,*CUX1*突变,总突变数和患者年龄.
- *TET2*突变预测了诊断时的风险 (模型 1),而阳性夜间血红蛋白尿的克隆存在预测了IST反应后的风险 (模型 2).
- 高风险分类与较差的整体存活率 (P < .0001) 显著相关.
结论:
- 机器学习模型显示,在AA患者中预测sMN风险的可行性.
- 这些模型可以帮助个人对HSCT和后IST监测做出决定.
- 用更大的数据集进行进一步验证是有必要的,以改进这些预测工具.
