2025年4月4日（健康日新闻）——根据3月27日在线发表在《血液》杂志上的一项研究，对于接受异基因造血细胞移植（allo-HCT）的骨髓纤维化患者，机器学习（ML）增强了风险分层。
来自西班牙瓦伦西亚临床医院的Juan Carlos Hernández-Boluda博士及其同事检查了不同的机器学习模型，以预测移植后的总体生存率。他们使用了2005年至2020年间首次接受异基因造血细胞移植的5183名骨髓纤维化患者的资料。该队列被分为训练集和测试集（分别为75%和25%），用于模型验证。随机生存森林（RSF）模型中包括了十个变量：患者年龄、合并症指数、功能状态、血液中的原始细胞、血红蛋白、白细胞、血小板、供体类型、条件强度和移植物抗宿主病预防。其性能与其他模型进行了比较。
研究人员发现，RSF模型优于所有比较对象，并在原发性和后必需性血小板增多症/真性红细胞增多症骨髓纤维化亚组中实现了更好的一致性指数。在两个数据集中，赤池信息准则和时间依赖性受试者工作特征曲线下面积指标证实了RSF模型的稳健性和泛化能力。尽管所有模型都对非复发死亡率有预测作用，但RSF模型提供了更好的曲线分离，有效识别了一组高风险患者，占总患者的25%。
Hernández-Boluda在一份声明中表示：“虽然有许多模型可用于识别高风险的骨髓纤维化患者，但我们仍然缺乏工具来确定这些患者移植后的风险。我们的预后工具全面且有效地识别了高风险的骨髓纤维化患者，使他们在移植后面临较高的死亡风险，从而能够更好地制定策略并可能改善结果。”
(全文结束)
