基于机器学习的高等级细胞因子释放综合征的预测模型在仿真抗原受体T细胞治疗中

科学领域:

• 免疫学 免疫学 免疫学
• 计算生物学 计算生物学
• 在瘤学瘤学.

背景情况:

• 高度细胞因子释放综合征 (CRS) 在CAR-T治疗中构成了重大挑战.
• 高度CRS的预测模型受到稀疏的临床试验数据的限制.

研究的目的:

• 开发和比较机器学习模型,用于预测CAR-T接收者的高等级CRS.
• 确定与高度CRS进展相关的关键临床生物标志物.

主要方法:

• 对496名COVID-19患者的分析,以了解CRS进展.
• 对XGBoost,随机森林和物流回归模型的评估.
• 基于特征重要性分析的风险评估算法的开发.

主要成果:

• 在预测高档CRS时,XGBoost表现出卓越的性能.
• 发现的关键预测因素包括SpO2,D-二次体,透气血压和INR.
• 经过验证的算法在独立的CAR-T队列 (n=45) 中取得了令人印象深刻的预测性能.

结论:

• 机器学习有效地识别了高级CRS的关键临床生物标志物.
• 开发的工具可以有效地预测高等级的CRS进展后发病.
• 这种预测模型在CAR-T治疗中具有显著的临床应用潜力.