Defining the Limits of Pre-Transplant Risk Prediction in AML: Evidence From Machine Learning and Regression Models
Notice bibliographique
Résumé
BACKGROUND: Allogeneic hematopoietic cell transplantation (allo-HCT) for acute myeloid leukemia (AML) is associated with considerable morbidity and mortality. Machine learning (ML) techniques are increasingly applied to predict outcomes in medicine. OBJECTIVES: To evaluate the role of ML in predicting overall survival (OS) after allo-HCT for AML and compare ML with traditional Cox regression. STUDY DESIGN: Using an internal cohort of 2253 patients and 14 pre-allo-HCT variables, we developed three models: Cox regression with time-varying coefficients (Cox-TVC), Elastic-net Cox Regression (Cox-EN), and Random Survival Forest (RSF). Performance was evaluated using multiple metrics including C-index, net reclassification improvement (NRI) and decision curve analysis (DCA). Patients were stratified into tertiles of model predicted 24-month mortality. External validation was performed in 252 single-center patients with uniform measurable residual disease (MRD) assessment. RESULTS: Model-derived risk scores strongly correlated (r = 0.886 to 0.963). Across models, age ≥ 60 years, MRD positivity, and adapted European LeukemiaNet (aELN) adverse risk were the strongest predictors. Effects of age attenuated over time (HR for age ≥60: 2.59 [95% CI: 1.54 to 4.35] at 1 year, 1.92 [95% CI: 1.04 to 3.56] at 5 years). Compared with Hematopoietic Cell Transplant Comorbidity-Index (HCT-CI) and aELN, models improved risk stratification (NRI: 31% to 44%, p < .001). Discrimination remained modest but was higher in external cohort compared with internal cohort (0.69 to 0.71 versus 0.60 to 0.61), likely reflecting uniform MRD assessment. At a 25%, risk threshold for clinical decision-making, models identified approximately 1 additional high-risk patient per 100 versus HCT-CI, or aELN. At 2-years, 25% to 27% of patients categorized as low-risk had died, while 45% to 48% categorized as high-risk were alive. CONCLUSIONS: ML approaches improved risk stratification over HCT-CI and aELN but performed comparably with Cox model. Individual outcome prediction using static pre-transplant models remained modest. Progress will require MRD standardization, richer data, and dynamic peri- and post-transplant modeling.
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 ».