我们能否识别有多发性骨髓瘤风险的人群?基于机器学习的预测模型
研究利用Clalit健康服务机构2002至2019年的电子健康记录,将多发性骨髓瘤患者与健康对照匹配,分三阶段开发预测模型:先比较诊断前5年超200项参数,再建立xgboost模型预测5年风险,最后构建需20个变量的简化逻辑回归模型供社区使用。预测模型ROC AUC为0.836,简化逻辑回归模型AUC为0.72,两个机器学习模型可预测「健康」个体5年内骨髓瘤风险,作者称模型可用于实践。
要点
- 未来骨髓瘤患者诊断前5年有较高ESR、较低Hb和ANC、较高球蛋白和铁蛋白等特征。
- 基于实验室数据的预测模型ROC AUC为0.836。
- 简化逻辑回归模型AUC为0.72,需20个变量。
核心结论
- 两个机器学习模型可预测「健康」个体5年内多发性骨髓瘤风险,作者称模型可用于实践。
研究设计与样本
- 研究为三阶段预测模型开发与验证,数据来自Clalit健康服务机构2002至2019年的多发性骨髓瘤患者,并与健康对照匹配。
- 第一阶段回顾诊断前5年电子健康记录,比较患者与对照的超200项参数。
- 第二阶段建立xgboost模型预测5年骨髓瘤风险并进行验证。
- 第三阶段建立需20个变量的简化逻辑回归模型供社区使用。
主要发现
- 未来骨髓瘤患者诊断前5年ESR较高、Hb较低、ANC较低、中性粒细胞/淋巴细胞比值较低、球蛋白较高、铁蛋白较高,免疫缺陷、MDS和FMF较多。
- 未来骨髓瘤患者较少使用镇静剂、抗糖尿病药和他汀类药物。
- 使用未来骨髓瘤患者实验室数据(n=19 129)与对照(n=382 580,20:1)开发的预测模型ROC AUC=0.836。
- 简化逻辑回归模型对5年内骨髓瘤风险提供个体预测,AUC=0.72。
关键数值与推荐
- 预测模型ROC AUC=0.836。
- 简化逻辑回归模型AUC=0.72,需20个变量:年龄、Hb、RBC、MCV、RDW、WBC、中性粒细胞、淋巴细胞、单核细胞、嗜碱性粒细胞、葡萄糖、肌酐、总蛋白、白蛋白、钙、尿酸、胆红素、HDL-C、LDL-C、甘油三酯。
临床怎么用
- 作者称两个机器学习模型可用于实践,预测「健康」个体5年内骨髓瘤风险。
局限性
- 原文未报告局限性。
以上解读依据论文摘要(全文未开放获取或许可不允许翻译转载)。
原文
Multiple myeloma evolves unnoticed over years, and when diagnosed, organ damage is common. Electronic health records (EHR) can help in developing predictive models identifying 'healthy' people at risk. MM patients from Clalit Health Services (2002-2019) were matched with healthy controls. Stage I: EHR from 5 years prior to MM diagnosis were reviewed and >200 parameters were compared (patients vs. controls). Stage II: Establishing xgboost model predicting 5 year risk for MM, with validation. Stage III: A simplified logistic regression model for community, requiring 20 variables (Age; Hb; RBC; MCV; RDW; WBC; neutrophils; lymphocytes; monocytes; basophils; glucose; creatinine; total protein; albumin; calcium; uric acid; bilirubin; HDL-C; LDL-C; triglycerides). EHR from the pre-MM period of 4256 patients were compared to controls. Future MM patients had higher ESR, lower Hb, ANC, neutrophil/lymphocyte ratio, higher globulins and ferritin, more immune deficiencies, MDS and FMF. They took fewer tranquilizers, anti-diabetics and statins. Using labs from future MM (n = 19 129) and controls (n = 382 580, 20:1), a predictive model was developed (ROC AUC = 0.836). The simple LR model provided individual risk prediction for MM within 5 years (AUC = 0.72). Two models with machine learning predict the risk of myeloma in 'healthy' individuals within 5 years. The models can be used in practice.
引用
- Mittelman M, Israel A, Oster HS, et al. Can we identify individuals at risk to develop multiple myeloma? A machine learning-based predictive model. Br J Haematol. 2025. PMID: 40524461. doi:10.1111/bjh.20136
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。