Prediction of survival and graft versus host disease in allogeneic hematopoietic stem cell transplant patients using machine learning
Makine öğrenmesi kullanılarak allojenik hematopoetik kök hücre nakli yapılan hastalarda sağkalım ve graft versus host hastalığı tahmini
- Tez No: 928213
- Danışmanlar: PROF. DR. MUHİT ÖZCAN
- Tez Türü: Doktora
- Konular: Hematoloji, Hematology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Ankara Üniversitesi
- Enstitü: Sağlık Bilimleri Enstitüsü
- Ana Bilim Dalı: Kök Hücre ve (Rejeneratif) Yenileyici Tıp Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 68
Özet
Allojeneik hematopoetik kök hücre nakli (HKHN), çeşitli hematolojik kanserler için potansiyel şifa sağlayıcı kritik bir tedavi seçeneğidir. Bununla birlikte HKHN, hasta yönetimini zorlaştıran ve sağkalımı etkileyen greft-versus-host hastalığı (GVHD), enfeksiyonlar ve nüks gibi önemli riskler taşır. Yapay zeka alanındaki gelişmelerle birlikte, makine öğrenmesi tıpta etkili bir araç olarak ortaya çıkmıştır. Makine öğrenmesi son zamanlarda, klinik sonuçların tahmin edilmesinde ve karar verme süreçlerine yardımcı olması amacıyla kullanılmaktadır. Bu çalışmada, hastanın sağkalımı, akut GVHD'nin ortaya çıkması, şiddeti ve kronik GVHD gelişimi dahil olmak üzere HKHN sonrası kritik sonuçların tahmin edilmesi için hasta verilerinin kullanılarak makine öğrenmesi modellerinin oluşturulması amaçlanmıştır. Bu çalışmada, Ankara Üniversitesi Tıp Fakültesi'nden 1988-2023 yılları arasında 1.313 hastayı kapsayan retrospektif bir veri seti kullanılmıştır. Çalışmaya allojenik HKHN yapılmış yetişkin hastalar dahil edilmiş, solid organ nakli, otolog HKHN yapılan veya GVHD ve sağkalım durumu gibi temel sonuçları eksik olan hastalar hariç tutulmuştur. Veriler titizlikle ön işleme tabi tutulmuş, sağkalım, akut GVHD varlığı ve şiddeti ile kronik GVHD dahil olmak üzere nakil sonrası sonuçları tahmin etmek için az miktarda kod ile çalışan bir makine öğrenmesi kütüphanesi olan PyCaret kullanılarak makine öğrenmesi modelleri geliştirilmiştir. Çeşitli algoritmalar değerlendirilmiş ve performans için optimize edilmiş, her bir özelliğin tahminlere katkısını göstermek için shapley eklemeli açıklamalar analizi ile modeller yorumlanmıştır. Ayrıca, tahmini sonuçların kullanıcılara kolayca sunulabilmesi için geliştirilen modeller bir web tabanlı uygulamaya entegre edilmiştir. CatBoost modeli, allojenik HKHN'nin ardından sağkalım ve akut GVHD'nin ortaya çıkması çıktıları için güçlü bir tahmin performansı sergilemiştir. Sağkalım tahmini için model %76,82'lik bir doğruluk ve 0,82'lik bir AUC değeri elde etmiştir. Sağkalım tahminin temel pozitif öngördürücüleri arasında pozitif engraftman ve siklosporin A + metotreksat ile GVHD profilaksisi yer alırken, yüksek nüks sayıları ve şiddetli akut GVHD sağkalımı olumsuz etkilemiştir. Akut GVHD'yi tahmin modeli %64,71 doğruluğa ve 0,68'lik bir AUC değerine sahip olup, CMV enfeksiyonu ana öngördürücü olarak ortaya çıkmıştır. Akut GVHD şiddetini tahmin etmek için oluşturulan Rastgele Orman modeli %71,93 doğruluğa ve 0,78'lük bir AUC değerine ulaşmış, uyumsuz lokus sayısı ve tüm vücut ışınlaması gibi faktörler daha şiddetli GVHD ile ilişkilendirilmiştir. Son olarak, kronik GVHD tahmin modeli %78,30 doğruluğa ve 0,75'lük bir AUC değerine ulaşmış, akut GVHD varlığı ve miyeloablatif hazırlık rejimi tedavileri güçlü öngördürücüler olurken, defibrotid profilaksisi ve düşük yoğunluklu hazırlık rejimi tedavisi daha düşük kronik GVHD riski ile ilişkilendirilmiştir. Bu çalışmada geliştirilen makine öğrenimi modelleri, klinik karar vermede değerli araçlar olarak potansiyellerini güçlü tahmin performansları ile göstermiştir. Geliştirilen web tabanlı uygulama, modellerin potansiyel olarak klinik karar destek sürecine entegre edilebileceğini göstermektedir. Bununla birlikte, modellerin genellenebilirliklerini ve güvenilirliklerini artırmak için, dış doğrulama ve daha büyük, daha çeşitli veri kümelerinin kullanılması gerekmektedir.
Özet (Çeviri)
Allogeneic hematopoietic stem cell transplantation (HSCT) is an essential therapeutic approach for diverse hematologic cancers, providing a chance for a cure. However, this procedure is linked to substantial adverse events, such as graft-versus-host disease (GVHD), relapse, and infections, that complicate patient management, as well as impact survival. With advances in artificial intelligence, machine learning (ML) has demonstrated significant potential as a valuable tool in medicine, enabling the prediction of clinical outcomes and aiding in decision-making. This study aimed to build machine learning models utilizing our patient data to predict critical post-transplant outcomes, including survival, the onset and severity of acute GVHD, and the occurrence of chronic GVHD. This study employed a retrospective dataset of 1,313 patients from the Ankara University Faculty of Medicine, spanning 1988 to 2023. We included adult allogeneic HSCT recipients, excluding patients who had undergone solid organ transplantation, autologous HSCT, or for whom data on key outcomes such as GVHD and survival status were unavailable. Data were meticulously preprocessed, and ML models were developed utilizing PyCaret, a low-code ML library to predict post-transplant outcomes, including survival, acute GVHD presence and severity, and chronic GVHD. Various algorithms were evaluated and optimized for performance, with model interpretability enhanced through shapley additive explanations to elucidate the feature-wise contributions to predictions. Furthermore, the finalized models were integrated into a web-based application, enabling users to input patient data and generate outcome predictions interactively. The CatBoost model demonstrated strong predictive performance for survival and emergence of acute GVHD following allogeneic HSCT. For survival prediction, the model achieved a 76.82% accuracy and an AUC of 0.82. Main positive predictors were positive engraftment and GVHD prophylaxis with cyclosporine A + methotrexate, while higher relapse counts and severe acute GVHD negatively impacted survival. The model for predicting acute GVHD showed a 64.71% accuracy and an AUC of 0.68, with CMV infection emerging as key predictors. For predicting acute GVHD severity, the Random Forest model attained an accuracy of 71.93% and an AUC of 0.78, with factors like mismatched locus count and total body irradiation being related to more severe GVHD. Lastly, the chronic GVHD prediction model reached a 78.30% accuracy and an AUC of 0.75, with acute GVHD presence and myeloablative conditioning therapies being strong predictors, while defibrotide prophylaxis and reduced-intensity conditioning related to lower chronic GVHD risk. ML models developed within this research exhibited robust predictive capabilities, highlighting their potential as valuable tools in clinical decision-making. The developed web-based application demonstrates the potential for models to be integrated into clinical decision-making processes. However, to enhance their generalizability and reliability, further external validation and the use of larger, more diverse datasets are necessary.
Benzer Tezler
- Hematopoetik kök hücre nakli yapılan olguların uzun dönem renal fonksiyonlarının değerlendirilmesi
Evaluation of long-term renal functions of patients after hematopoetic stem cell transplantation
AYSHA GADASHOVA
Tıpta Uzmanlık
Türkçe
2020
Çocuk Sağlığı ve HastalıklarıEge ÜniversitesiÇocuk Sağlığı ve Hastalıkları Ana Bilim Dalı
DOÇ. DR. SEÇİL CONKAR
- Allojeneik kök hücre nakli yapılan hastalarda hasta kontrollü analjezinin rolü ve erken dönem toksisite ile ilişkisi
The determinative role of patient-controlled analgesia in the early course of allogeneic hematopoietic stem cell transplantation
KÜBRA HAŞİMOĞLU GÜRÜN
Tıpta Uzmanlık
Türkçe
2019
HematolojiGazi Üniversitesiİç Hastalıkları Ana Bilim Dalı
PROF. DR. ZEYNEP ARZU YEGİN
- Allojenik kök hücre nakli yapılan hastalarda akut ve kronik graft versus host hastalığı gelişiminde gayta kalprotektin düzeyinin rolü ve antibiyotik kullanımı ile ilişkisi
The role of the gaita calpotectin level and the relationship between the antibiotic use in acute and chronic graft versus host disease (GVHD) in patients undergoing allogeneic stem cell transplantation
FATİH MEHMET DOĞAN
Tıpta Uzmanlık
Türkçe
2020
HematolojiAnkara Üniversitesiİç Hastalıkları Ana Bilim Dalı
PROF. DR. MELTEM KURT YÜKSEL
- Çocukluk çağı hematopoetik kök hücre naklinde granülosit koloni uyarıcı faktör ile uyarılmış ve uyarılmamış kemik iliği kaynaklı kök hücre kullanımının klinik üzerine etkisi ve verici özellikleri
Clinical outcomes and graft characteristics in pediatric hematopoetic stem cell transplantation using granulocyte colony stimulating factor primed bone marrow and steady state bone marrow
ALİ FETTAH
Tıpta Yan Dal Uzmanlık
Türkçe
2014
HematolojiSağlık BakanlığıÇocuk Sağlığı ve Hastalıkları Ana Bilim Dalı
PROF. DR. NAMUK YAŞAR ÖZBEK
- Fanconi anemili çocuklarda hematopetik kök hücre transplantasyonu sonuçları ve fludarabin içeren hazırlık rejiminin transplantasyon sonuçları üzerine etkisi
Outcomes of hematopoietic stem cell transplantation in children with fanconi anemia and the effect of fludarabine contatining conditioning regimen on the outcomes
BÜLENT BARIŞ KUŞKONMAZ