开源机器学习模型提高骨髓纤维化患者移植风险评估

由欧洲血液和骨髓移植学会（EBMT）团队生成的机器学习模型在识别和分层骨髓纤维化患者的移植风险方面优于标准统计模型。这项新研究发表在《血液》杂志上。

“尽管有许多模型可用于识别高风险骨髓纤维化患者，但我们仍然缺乏确定这些患者移植风险的工具，”该研究的主要作者之一、瓦伦西亚临床医院的血液学家兼EBMT慢性恶性肿瘤工作组骨髓增生性肿瘤委员会负责人Juan Carlos Hernández Boluda博士表示。

“我们的预后工具全面而有效地识别出移植后高死亡风险的高风险骨髓纤维化患者，使更好的战略规划成为可能，从而有可能改善预后。”

骨髓纤维化是一种罕见的血液癌症，其中骨髓干细胞获得基因缺陷，导致血细胞过度产生并伴随大量炎症因子。这会导致骨内形成瘢痕组织，进而导致贫血和干细胞迁移到其他器官，主要是脾脏和肝脏。

尽管有多种治疗方法可用于治疗骨髓纤维化，但唯一的根治方法仍然是异基因造血细胞移植（allo-HCT），即从供体移植健康的干细胞以替代异常细胞。

“决定对骨髓纤维化患者进行移植通常非常复杂。只有大约10%的骨髓纤维化患者最终接受移植，”Hernández Boluda博士说。

“不幸的是，由于缺乏风险评估工具，提供者通常不得不依靠个人经验而不是明确定义的标准来帮助做出这一艰难的决定。”

研究人员试图改进寻求allo-HCT患者的预后评估，重点是预测总体生存率。

他们从288个EBMT注册中心中识别了5,183名成年患者，这些患者在2005年至2020年间进行了首次allo-HCT。其中3,887份记录用于训练算法，1,296份记录用于评估和验证新模型。

训练队列的中位随访时间和总生存期分别为58.2个月和79.4个月；测试队列的中位随访时间为60.0个月，中位总生存期为73.7个月。

EBMT研究团队通过Kaplan-Meier方法估计了总体生存率和无进展生存率。非复发死亡率被定义为从移植日期到死亡日期（未删失）或疾病复发日期（删失）的时间。

独立统计人员使用不同的方法（Cox回归方法或机器学习技术）在同一数据集中评估影响总体生存率的因素，旨在开发预后模型以将患者分为不同的移植后死亡风险组。

结果的风险分类进行了比较和背景化，以评估其临床相关性。研究人员使用随机生存森林（一种通常用于生存分析的机器学习算法）开发了一个预后模型。

RSF模型在预测总体生存率和非复发死亡率方面的和谐指数高于三种替代机器学习方法，因此被选为主要方法进行后续分析。

机器学习模型产生的结果比比较模型更可重复。此外，它在准确性方面优于标准模型，并识别出了一部分高风险患者，这些患者在移植后一年内的死亡率为40%——占骨髓纤维化患者的25%。

这些数据有助于对比疾病相关风险因素，对于决定是否进行移植的患者非常重要。

研究团队将他们的RSF模型转化为一个开放访问的网络计算器，供提供者参考。最终工具基于10个关键患者特征预测移植后的总体生存率，包括患者年龄、表现状态、合并症指数、血液学参数、供体类型、条件强度和移植物抗宿主病预防类型。

“临床医生可以使用这个计算器增强与患者的共同决策，”研究作者、伦敦大学学院医院NHS基金会信托的血液学和干细胞移植顾问Donal McLornan博士说，他也是EBMT科学委员会联合主席和慢性恶性肿瘤工作组主席。

“这是一个实用且易于使用的工具，考虑到了任何移植临床医生已经掌握的数据。”

“从机器学习的角度来看，这个模型真正满足了我所谓的‘三个A’，以有效整合人工智能进入医学，”圣地亚哥德孔波斯特拉大学医院的血液学家和机器学习专家Adrián Mosquera博士补充道。

“首先，它是广泛适用的：构成模型的变量无论在哪个医疗系统中都容易获得。其次，它高度可访问，得益于一个简单且免费提供的网络计算工具。最后，它是临床上可行的：这个工具支持多学科团队决定是否进行细胞疗法或其他医疗选项，并支持临床医生和患者做出更明智的决策。”

研究团队警告说，该研究有一些局限性，主要依赖于患者登记，缺少一些变量的数据，包括骨髓纤维化的程度和移植时额外体细胞突变的存在。未来，他们希望收集实际输入应用程序的数据，并结合其他特定疾病因素来完善模型的适用性。

(全文结束)