动态死亡风险预测在骨髓分裂性综合征使用纵向临床数据
Jonathan Bobak1,2,3, Philipp Spohr2,3, Sarah Richter4
1Department of Hematology, Oncology and Clinical Immunology, Medical Faculty and University Hospital Düsseldorf, Heinrich Heine University Düsseldorf, Düsseldorf, Germany.
JCO clinical cancer informatics
|December 23, 2025
概括
这项研究引入了一种动态机器学习模型,用于预测骨髓发育综合征 (MDS) 的1年死亡风险. 该模型使用纵向血液数据提供连续的,个性化的风险评估,改善静态诊断得分.
科学领域:
- 血液学 血液学 血液学
- 机器学习在医学中的应用
- 在瘤学瘤学.
背景情况:
- 骨髓发育综合征 (MDS) 的患者结果各不相同,需要量身定制的治疗策略.
- 目前的风险分层工具 (例如,IPSS-R) 是静态的,不考虑疾病的进展.
- 需要动态风险评估来指导整个患者旅程的临床决策.
研究的目的:
- 开发一个数据驱动的,动态的模型来预测MDS患者的短期死亡率.
- 持续评估整个疾病过程中的1年死亡风险.
- 创建一个工具来补充现有的静态风险评分.
主要方法:
- 开发了一个使用渐变增强决策树的机器学习模型.
- 该模型结合了纵向血液参数和基于诊断的特征.
- 在大型MDS注册队列 (n=1,024) 上进行了培训,并在独立队列 (n=317) 上进行了验证.
主要成果:
- 该模型在验证队列中实现了ROC曲线下的面积约为0.8,优于静态模型.
- 确切的死亡风险预测是在诊断后90天内实现的.
- 功能重要性分析证实了临床相关性和可解释性.
结论:
- 动态风险模型为MDS患者提供持续的,个性化的1年死亡风险评估.
- 这种方法增强了风险分层,超出了静态诊断得分.
- 整合纵向数据对于准确的MDS风险评估至关重要.
