Genomic Biomarkers to Predict Resistance to Hypomethylating Agents in Patients With Myelodysplastic Syndromes Using Artificial Intelligence
Notice bibliographique
Résumé
PURPOSE: We developed an unbiased framework to study the association of several mutations in predicting resistance to hypomethylating agents (HMAs) in patients with myelodysplastic syndromes (MDS), analogous to consumer and commercial recommender systems in which customers who bought products A and B are likely to buy C: patients who have a mutation in gene A and gene B are likely to respond or not respond to HMAs. METHODS: We screened a cohort of 433 patients with MDS who received HMAs for the presence of common myeloid mutations in 29 genes that were obtained before the patients started therapy. The association between mutations and response was evaluated by the Apriori market basket analysis algorithm. Rules with the highest confidence (confidence that the association exists) and the highest lift (strength of the association) were chosen. We validated our biomarkers in samples from patients enrolled in the S1117 trial. RESULTS: Among 433 patients, 193 (45%) received azacitidine, 176 (40%) received decitabine, and 64 (15%) received HMA alone or in combination. The median age was 70 years (range, 31 to 100 years), and 28% were female. The median number of mutations per sample was three (range, zero to nine), and 176 patients (41%) had three or more mutations per sample. Association rules identified several genomic combinations as being highly associated with no response. These molecular signatures were present in 30% of patients with three or more mutations/sample with an accuracy rate of 87% in the training cohort and 93% in the validation cohort. CONCLUSION: Genomic biomarkers can identify, with high accuracy, approximately one third of patients with MDS who will not respond to HMAs. This study highlights the importance of machine learning technologies such as the recommender system algorithm in translating genomic data into useful clinical tools.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».