Команда ученых разработала модель машинного обучения, которая превосходит стандартные статистические методы в оценке рисков трансплантации для пациентов с миелофиброзом. Для обучения модели использовали данные 5183 взрослых пациентов из 288 центров, прошедших трансплантацию стволовых клеток крови в период с 2005 по 2020 год. Из этих записей 3887 были использованы для обучения алгоритма, а 1296 — для оценки и проверки качества новой модели. Новая модель превзошла стандартные модели по точности и выявила пациентов с 40% вероятностью смерти в течение года после трансплантации. У 25% из них был диагностирован миелофиброз. Эта разработка поможет врачам принимать более обоснованные решения и повысить эффективность лечения. Работа опубликована в журнале Blood.
Миелофиброз — это редкое хроническое заболевание костного мозга, при котором нормальная ткань замещается рубцовой (фиброзной). Это приводит к снижению выработки клеток крови, что вызывает анемию, усталость, слабость и склонность к кровотечениям. Болезнь также может вызывать увеличение селезенки и печени, так как кроветворные клетки начинают туда перемещаться. Основной причиной миелофиброза считаются генетические мутации в стволовых клетках. Лечение включает поддерживающую терапию для уменьшения симптомов и трансплантацию стволовых клеток крови, которая является единственным методом полного излечения.
Исследователи разработали новую модель машинного обучения, которая помогает лучше оценивать риски трансплантации для пациентов с миелофиброзом. Чтобы создать эту модель, ученые использовали данные о 5183 взрослых пациентах, которые прошли трансплантацию стволовых клеток крови между 2005 и 2020 годами. Из этих данных 3887 использовались для обучения алгоритма, а 1296 — для проверки и валидации модели. Для оценки общей выживаемости и дальнейшего отсутствия рецидива использовался метод Каплана-Мейера. Этот метод помогает оценить вероятность того, что определенное событие (например, смерть или рецидив заболевания) не произойдет к заданному моменту времени. Исследователи также применяли статистический метод Кокса и несколько моделей машинного обучения, чтобы выявить факторы, влияющие на общую выживаемость и не рецидивную смертность.
Модель RSF достигла более высоких показателей при прогнозе как общей выживаемости, так и смерти не от рецидивов по сравнению с тремя другими методами машинного обучения и поэтому была выбрана в качестве основного подхода для последующего анализа. Она превосходила другие методы и модели по точности и показывала более воспроизводимые результаты.
Благодаря этому исследователи смогли выявить группу пациентов с высоким риском, у которых шанс умереть в течение года после трансплантации составлял 40%. Это важно для принятия решений о трансплантации, поскольку только около 10% пациентов с миелофиброзом в конечном итоге проходят эту процедуру.
Исследователи также создали открытый веб-калькулятор, который позволяет врачам предсказывать общую выживаемость пациентов после трансплантации. Калькулятор учитывает 10 основных характеристик, включая возраст пациента, статус его здоровья, тип донора и другие факторы. Однако новая модель имеет ограничения, связанные с отсутствием некоторых данных, таких как степень фиброза костного мозга и наличие дополнительных мутаций на момент трансплантации. В будущем они планируют улучшить модель, включив реальные данные и другие факторы заболевания.
«Эта модель широко применима: необходимые данные легко доступны независимо от системы здравоохранения. Она также может использоваться широкой аудиторией благодаря простому вычислительному инструменту, доступному в Интернете. Кроме того, модель помогает принимать решение о том, продолжать ли клеточную терапию или оценить другие варианты лечения, и помогает как врачам, так и пациентам принимать более обоснованные решения», — добавил Адриан Москера из Университетской больницы Сантьяго-де-Компостела.
Автор: Оксана Гриценко.
Подписывайтесь на InScience.News в социальных сетях: ВКонтакте, Telegram, Одноклассники.
