在CLL中使用淋巴瘤电子健康记录的域调整进行治疗后感染预测

科学领域:

• 在瘤学瘤学.
• 医疗信息学 医疗信息学
• 机器学习 机器学习

背景情况:

• 感染是慢性淋巴细胞白血病 (CLL) 患者的主要死亡原因.
• 目前的感染风险评估依赖于年龄和并发症等有限因素.
• 开发感染风险的预测模型需要大量的数据集和先进的方法.

研究的目的:

• 开发一种机器学习模型,用于预测治疗期间CLL患者的严重感染风险.
• 通过结合来自淋巴瘤患者的数据来利用域适应 (DA) 来提高预测准确性.
• 将DA模型的性能与特定领域 (DS) 模型进行比较.

主要方法:

• 开发了一种使用域调整 (DA) 的机器学习方法.
• 用淋巴瘤患者的数据来训练DA模型来预测CLL感染风险.
• 在各种模型中,DA策略与域特定 (DS) 策略进行了比较.

主要成果:

• 在预测感染风险方面,DA战略显著超过了DS战略.
• 与DS模型 (3.69) 和CLL-IPI (2.27) 相比,DA模型实现了较高的感染风险概率比率 (4.43).
• 可解释性分析揭示了关键的预测特征,包括药物数据和生物化学测试,如C反应蛋白.

结论:

• 整合来自淋巴瘤等相关疾病的数据,可以改善CLL的预测模型.
• 这项研究代表了向数据驱动的识别高感染风险的CLL患者迈出的一步.
• 这些发现支持使用DA来更准确地预测CLL患者的感染风险.