Biology of Blood and Marrow Transplantation ( IF 5.609 ) Pub Date : 2020-05-12 , DOI: 10.1016/j.bbmt.2020.03.026 Ying Li 1 , Ausra Masiliune 1 , David Winstone 1 , Leszek Gasieniec 2 , Prudence Wong 2 , Hong Lin 1 , Rachel Pawson 3 , Guy Parkes 1 , Andrew Hadley 4
造血干细胞移植（HSCT）已被牢固确立为血液系统恶性肿瘤和其他血液疾病患者的重要治疗方法。除了在HSCT过程中找到与HLA匹配的供体外，供体的可获得性仍然是关键考虑因素，因为从诊断到移植所花费的时间被认为会对患者预后产生不利影响。在这项研究中，我们旨在开发和验证一种机器学习方法，以预测干细胞供体的可用性。我们回顾性收集了一个数据集，其中包含2013年1月1日至2018年12月31日期间在英国骨髓注册管理机构（BBMR）的HSCT过程中提出的10,258个验证键入请求。实施并比较了三种机器学习算法，包括增强的决策树（BDT），逻辑回归，和支持向量机。接收器工作特性曲线（AUC）下的面积主要用于评估算法。实验结果表明，BDT在预测BBMR供体的可用性方面表现更好。使用AUC在2052个记录的测试队列中得出的模型的总体预测能力为0.826。我们的发现表明，机器学习可以高度准确地预测供体的可用性。我们建议使用BDT机器学习方法来预测BBMR供体的可用性，并在HSCT过程中使用预测分数来确保患有血液癌症或疾病的患者在最佳时间接受移植。实验结果表明，BDT在预测BBMR供体的可用性方面表现更好。在2052条记录的测试队列中使用AUC，模型的总体预测能力为0.826。我们的发现表明，机器学习可以高度准确地预测供体的可用性。我们建议使用BDT机器学习方法来预测BBMR供体的可用性，并在HSCT过程中使用预测分数来确保患有血液癌症或疾病的患者在最佳时间接受移植。实验结果表明，BDT在预测BBMR供体的可用性方面表现更好。使用AUC在2052条记录的测试队列中得出的模型的总体预测能力为0.826。我们的发现表明，机器学习可以高度准确地预测供体的可用性。我们建议使用BDT机器学习方法来预测BBMR供体的可用性，并在HSCT过程中使用预测分数来确保患有血液癌症或疾病的患者在最佳时间接受移植。我们的发现表明，机器学习可以高度准确地预测供体的可用性。我们建议使用BDT机器学习方法来预测BBMR供体的可用性，并在HSCT过程中使用预测分数来确保患有血液癌症或疾病的患者在最佳时间接受移植。我们的发现表明，机器学习可以高度准确地预测供体的可用性。我们建议使用BDT机器学习方法来预测BBMR供体的可用性，并在HSCT过程中使用预测分数来确保患有血液癌症或疾病的患者在最佳时间接受移植。
"点击查看英文标题和摘要"
京公网安备 11010802027423号