提高骨髓增生异常综合征MDS诊断准确

引言：作为全球血液学领域最大最权威的国际学术盛会之一，第62届美国血液学会年会（ASH）吸引了来自全球多个国家的近三万名血液学专家、学者和其他专业人士参会，会议期间有数千份报告的精彩呈现。来自美国凯斯西储大学克立兰夫诊所医学院的NathanRadakovich教授在本次ASH会议上报道了他们最新的研究：提高骨髓增生异常综合征（MDS）诊断准确性的个体化临床决策工具

01

Introduction

虽然组织形态学和细胞形态学检查是骨髓增生异常综合征(MDS)诊断的关键，但存在显著的观察者间差异。全血细胞异常患者(pts)如果没有异常增生的证据，诊断是具有挑战性的，并且取决于观察者的专业知识。

Dr.Radakovich的研究团队开发并外部验证了一个基因临床模型，该模型使用基因突变数据和外周血计数/临床变量来区分MDS与其他髓系恶性肿瘤。

02

MethodandResults

克利夫兰诊所(CC;例)，慕尼黑白血病实验室(MLL;例)，意大利帕维亚大学(UP;例)。所有患者均诊断为MDS、慢性髓细胞性白血病(CMML)、MDS/骨髓增生性肿瘤重叠(MDS/MPN)、骨髓增生性肿瘤(MPN;真性红细胞增多症、原发性血小板增多症或骨髓纤维化)、意义不明的克隆性细胞减少症(CCUS)或意义不明的特发性细胞减少症(ICUS)。所有诊断均根据年世界卫生组织标准进行骨髓穿刺诊断。

用于建立模型的数据来自CC及UP地区的病例，随机分为学习者(80%)和测试(20%)两组。最终模型在MLL队列中独立验证。

采用机器学习算法建立模型;多种提取算法用于提取队列和个体水平的基因组/临床变量。根据接收器工作特性曲线下面积(ROC-AUC)和精度矩阵评估性能。

图1：机器学习模型

所有地区共例患者的中位年龄为70岁[36-86]。平均血红蛋白(Hb)为10.4g/dl(6.9-15.7),血小板计数(PLT)中位数为k/dl(14-),白细胞计数平均为5.3k/dl(1.4-49.9),ANC中位数为2.8k/dl[0.3-27.7],单核细胞计数中位数为0.3k/dl(0-9.9)和淋巴细胞计数(ALC)中位数为1.1k/dl(0.1-5.4),和外周原始细胞中位数百分比0%[0-8]。（图2）所有患者中最常见的突变基因为(列表前5位基因)，MDS患者中SF3B1(27%)、TET2(25%)、ASXL1(19%)、SRSF2(16%)、DNMT3A(11%);在MDS-MPN/CMML患者中，MDS-MPN/CMML突变基因最多(TET%，ASXL%，SRSF%，RUNX%，CBL12%);在MPNs患者中，最常见的突变基因为(JAK%、ASXL%、TET%、DNMT3A8%、U2AF17%);CCUS患者中最常见的突变基因为(TET%，DNMT3A27%，ASXL%，SRSF%，ZRSR%)。（图3）

图2：患者临床数据

图3：MDS，MDS-MPN/CMML，CMML，MPN中最常见突变基因

模型预测最重要的特征(从高到低排序)包括:检测到的突变数量/样本、外周原始细胞数百分率、AMC、JAK2状态、Hb、嗜碱性粒细胞计数、年龄、嗜酸性粒细胞计数、ALC、WBC、EZH2突变状态、ANC、KRAS和SF3B1突变状态、血小板、性别。最终模型应用于试验队列时的平均AU/ROC为0.95(95%CI0.93-0.96)，应用于MLL队列时的平均AU/ROC为0.93(95%CI0.91-0.94)。（图4）

图4：模型预测特征

该模型还为预测提供个体层面的解释，最优质的鉴别诊断以及解释了特征如何影响推测诊断的个体层面(图5)。

图5：描述了有助于4例患者诊断的最合理特征。红条代表增加该病人疾病诊断可能性的因素;蓝条代表降低诊断某疾病可能性的特征

03

Conclusions

Dr.Radakovich的研究团队开发并用大量外部数据验证了一个高度准确和可解释的模型，该模型利用来自一个大型国际队列的临床和突变数据，可以将MDS与其他髓系恶性肿瘤区分开来。该模型可以提供其结果的个性化解释，并可以帮助医生和血液学家在遇到全血细胞减少患者和疑似MDS诊断时，以较高识别MDS的准确性。

预览时标签不可点收录于话题#个上一篇下一篇


本文编辑：佚名
转载请注明出地址  http://www.k-sx.com/jbby/9883.html