一个基于机器学习的选系统,用于儿童系统性EBV阳性T/NK细胞淋巴增殖性疾病

科学领域:

• 儿科血液学 瘤学 儿科血液学
• 免疫学 免疫学 免疫学
• 机器学习在医学中的应用

背景情况:

• 儿童系统性爱斯坦-巴尔病毒阳性T/NK细胞淋巴增殖性疾病 (sEBV+T/NK-LPD) 呈现出可变的临床行为,使预后和治疗规划复杂化.
• 目前的临床评估难以准确预测sEBV+T/NK-LPD的疾病严重程度和患者结果.

研究的目的:

• 开发和验证一个名为 COLLAPSED 的综合分类系统,用于对患有 sEBV+T/NK-LPD 的儿科患者进行快速的临床评估和风险分层.
• 通过提供精确和可访问的风险预测工具,增强临床医生及时做出治疗决策的能力.

主要方法:

• 在42个机构中使用了156名新诊断的sEBV+T/NK-LPD患者的数据,采用了整合性机器学习策略.
• 该模型的性能使用35名患者的独立前队列进行了评估,并进一步测试了45名从文献中的患者和18名移植受体的概括性.
• 结合多个算法的整体方法被用于创建稳定和高性能的 COLLAPSED 系统,随后将其简化为可解释的风险评分.

主要成果:

• COLLAPSED系统在确定sEBV+T/NK-LPD的关键预后因素方面表现强.
• 外部验证证实了该模型在不同患者队列中的通用性和稳定性.
• 简化风险评分显著提高了临床应用风险评估工具的可解释性和可访问性.

结论:

• COLLAPSED系统提供了一种经过验证和可靠的方法,可以快速准确地识别患有sEBV+T/NK-LPD的高风险儿科患者.
• 该工具赋予临床医生增强的决策能力,促进加速启动可能挽救生命的治疗.
• COLLAPSED的发展解决了管理这些罕见和积极的血液恶性瘤的关键未满足的需求.