生物预防 (BIOPREVENT) 机器学习算法使用移植后生物标志物预测慢性移植对宿主疾病和死亡风险

科学领域:

• 造血细胞移植 (HCT) 研究结果研究结果
• 生物标志物的发现和验证.
• 机器学习在临床预测中的应用

背景情况:

• 慢性移植对宿主疾病 (cGVHD) 和非复发性死亡率 (NRM) 是 HCT 后的重大风险.
• 对cGVHD和NRM的预测模型往往缺乏准确性,需要改进方法.
• 机器学习 (ML) 与生物标志物结合用于预测这些结果的实用性仍然不清楚.

研究的目的:

• 开发和验证一种机器学习算法 (BIOPREVENT),用于预测HCT后cGVHD和NRM.
• 与单独临床变量相比,评估结合血蛋白生物标记物的ML模型的性能.
• 确定可预测cGVHD和NRM的关键生物标志物.

主要方法:

• 开发了BIOPREVENT ML算法,使用了来自1,310名HCT接受者的数据.
• 纳入了7种血蛋白 (在90/100日HCT后测量) 和9种临床变量.
• 评估了多个ML模型 (CoxXGBoost,BART,随机生存森林等) 和深度学习用于预测准确性 (AUCt).

主要成果:

• 使用生物标志物的ML模型在cGVHD预测方面显著优于仅临床模型.
• 对于cGVHD,BART和CoxXGBoost模型在1年内实现了AUCt>0.65;NRM预测AUCt范围为0.75-0.91.
• 确定了MMP3,CXCL9,IL1RL1和sCD163作为关键的预测生物标志物;BIOPREVENT证明了准确的校准.

结论:

• 该BIOPREVENT模型准确地预测了cGVHD和NRM的个体风险,使用HCT后3个月的生物标志物.
• 有一个网页应用程序可用于支持BIOPREVENT的临床实施.
• 需要进一步的研究来探索BIOPREVENT在指导预防性治疗策略中的作用.