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 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 | 0,096 | 0,211 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,003 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».