Novel machine learning technique further clarifies unrelated donor selection to optimize transplantation outcomes
Notice bibliographique
Résumé
ABSTRACT: We investigated the impact of donor characteristics on outcomes in allogeneic hematopoietic cell transplantation (HCT) recipients using a novel machine learning approach, the Nonparametric Failure Time Bayesian Additive Regression Trees (NFT BART). NFT BART models were trained on data from 10 016 patients who underwent a first HLA-A, B, C, and DRB1 matched unrelated donor (MUD) HCT between 2016 and 2019, reported to the Center for International Blood and Marrow Transplant Research, then validated on an independent cohort of 1802 patients. The NFT BART models were adjusted based on recipient, disease, and transplant variables. We defined a clinically meaningful impact on overall survival (OS) or event-free survival (EFS; survival without relapse, graft failure, or moderate to severe chronic graft-versus-host disease) as >1% difference in predicted outcome at 3 years. Characteristics with <1% impact (within a zone of indifference) were not considered to be clinically relevant. Donor cytomegalovirus, parity, HLA-DQB1, and HLA-DPB1 T-cell epitope matching fell within the zone of indifference. The only significant donor factor that associated with OS was age, in which, compared with 18-year-old donors, donors aged ≥31 years old were associated with lower OS. Both donor age (≤32 years) and use of a male donor, regardless of recipient sex, improved EFS. We, therefore, recommend selecting the earliest available donor within the 18 to 30 years age range for HCT to optimize OS. If several donors in the 18 to 30 years age range are available, a male donor may be chosen to optimize EFS.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 tête enseignante, 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 ».