通过机器学习方法揭示全源干细胞移植后的CMV风险标志:来自GETH-TC的多中心分析
Estela Giménez1, Pablo Rodriguez-Belenguer2, Carlos Solano3,4
1Microbiology Service, Hospital Clínico Universitario, Biomedical Research Institute INCLIVA, Valencia, Spain.
Journal of medical virology
|March 13, 2026
概括
机器学习模型可以预测在异性造血干细胞移植 (allo-HCT) 后的细胞巨乳病毒 (CMV) 感染. 这些模型为CMVDNAemia,临床上显著的CMV感染和耐火性CMV感染在Allo-HCT患者中的风险分层提供了改进.
科学领域:
- 血液学 血液学 血液学
- 传染性疾病 传染性疾病
- 计算生物学 计算生物学
背景情况:
- 细胞巨乳病毒 (CMV) 感染是异构造血型干细胞移植 (allo-HCT) 后的重大并发症,导致发病率和死亡率增加.
- 耐火性CMV感染在allo-HCT接受者中构成一个特殊的挑战.
- 机器学习 (ML) 提供了在管理CMV感染时增强风险分层的潜力.
研究的目的:
- 开发和评估ML模型,用于预测CMVDNAemia,临床显著的CMV感染 (csCMV-I) 和耐火的CMV感染 (CMV-R).
- 确定不同CMV相关结果的关键预测特征.
- 建立一个准确的风险分层的基础,在CMV管理后合金-HCT.
主要方法:
- 对来自21个西班牙中心的933名allo-HCT接受者的回顾性分析 (2014-2018).
- 开发和评估六个监督的ML算法 (随机森林,SVM,决策树,XGBoost,弹性网,PLS-Logistic回归),使用重复的五重分层交叉验证.
- 预测CMVDNAemia,csCMV-I和CMV-R. 这三种病毒的发生.
主要成果:
- 在53%的患者中发生了CMVDNAemia,其中72%的患者发展为csCMV-I,26%的患者发展为CMV-R.
- XGBoost模型显示高灵敏度 (0.97) 预测CMV DNAemia和csCMV-I.
- 在SVM模型中,预测CMV-R的灵敏度为0.58.
- 关键预测因素包括接受者的CMV血清状态,调节方案,GvHD和免疫抑制方案.
结论:
- ML模型可以识别与alo-HCT中CMV结局相关的独特临床概况.
- 这些模型在预测CMV事件方面表现出高灵敏度但适度的区分能力.
- 这项研究为精确的风险分层提供了基础,补充了当前的预防策略,需要进行前性验证.
