在不规则监测下局部推算和预测生物标志物轨迹的框架:适用于慢性髓性白血病

科学领域:

• 生物医学数据科学是生物医学数据科学.
• 临床信息学 临床信息学
• 纵向数据分析的数据分析.

背景情况:

• 不规则的患者监测和缺少的数据阻碍了在临床实践中使用纵向生物标志物.
• 精确跟踪生物标志物轨迹对于有效的疾病管理至关重要,特别是在慢性髓性白血病 (CML) 等疾病中.

研究的目的:

• 开发一个可通用的框架,用于创建完整的生物标志物轨迹,并从不规则地收集的数据预测未来的价值.
• 通过解决数据缺口,增强纵向生物标志物的实体临床环境中的实用性.

主要方法:

• 开发了一个框架,将间隔对齐预处理,局部多重归算和机器学习 (RNN,XGBoost) 结合起来进行预测.
• 将该方法应用于BCR::ABL1对CML的监测数据,将测量与90天间隔对齐.
• 利用一个窗口式的,不确定性传播的归算策略和训练模型来预测未来3个月和6个月的值.

主要成果:

• 在3个月的BCR::ABL1预测中,实现了1.22-1.24的低根平均平方误差 (RMSE),低于观察到的变化.
• 即使排除了最近的患者访问数据,也保持了预测准确性,模拟了延长的随访.
• 证明了框架能够保持本地时间结构并支持个性化监控的能力.

结论:

• 拟议的框架有效地产生了完整的生物标志物轨迹,并从不规则的数据中实现了准确的未来价值预测.
• 这种方法提高了纵向生物标志物在常规临床实践中对CML等疾病的可靠性和有用性.
• 该框架可适应在现实世界,非理想的时间表下测量的其他连续生物标志物.