对使用TFR对201名CML患者的TKI驱动的现实世界管理进行了深入分析

科学领域:

• 血液学 血液学 血液学
• 在瘤学瘤学.
• 药理学 药理学是指药理学的学科.

背景情况:

• 氨酸激酶抑制剂 (TKIs) 显著改善了慢性髓性白血病 (CML) 的治疗结果.
• 在东欧,特别是罗马尼亚,TKI使用和无治疗缓解 (TFR) 的现实数据有限.
• 了解该地区的治疗模式和TFR预测因素对于优化患者护理至关重要.

研究的目的:

• 以回顾分析罗马尼亚成年CML患者的TKI治疗模式,不良事件和TFR结果.
• 开发和评估用于预测TFR潜力的机器学习模型.
• 为罗马尼亚CML队列提供技术知识的实际有效性提供见解.

主要方法:

• 从2001年1月到2024年12月对201名成年CML患者的回顾性分析.
• 使用大型语言模型开发半自动化管道,从非结构化医疗报告中提取结构化数据.
• 训练机器学习模型 (随机森林分类器) 用患者数据,包括分子响应指标来预测TFR潜力.

主要成果:

• 伊马替尼是主要的一线TKI (53.7%),其次是达沙替尼 (27.9%) 和尼洛替尼 (18.4%). 第二线治疗转向达沙替尼和尼洛替尼.
• 14名患者 (7.0%) 实现了持续的TFR,另外31名患者 (15.4%) 符合TFR条件,但仍在接受治疗.
• 机器学习模型在预测TFR潜力方面实现了85.4%的准确性,深度分子响应和早期响应动力学是关键预测因素. 不良事件因TKI而异,导致一些药物的显著比例的暴露停止.

结论:

• 伊马替尼仍然是罗马尼亚的主要前线TKI,但第二代TKI越来越多地被使用.
• 无治疗缓解 (TFR) 的吸收目前是有限的,尽管有相当大的符合条件的患者群体.
• 机器学习有效地预测了TFR潜力,强调了分子反应深度和动力学的重要性;未来的监测和停止协议的优化可以提高TFR的成功.