动态指标|预测模型神机妙算对干细胞移植后疾病可“未卜先知”( 二 )

文献报道的最佳水平。 ”陈俊仁介绍，研究团队建立的模型预测效果显著优于MAGIC评分、Ann Arbor评分、基于围移植特征的静态模型和XGBoost动态模型。
这一成绩的取得离不开中国医学科学院血液病医院（中国医学科学院血液学研究所）信息化的发展。陈俊仁解释称：“daGOAT模型使用了大量的动态参数，而且这些数据来自不同的检测科室。运算daGOAT模型基本上不可能依靠手工输入数据，必须让模型和医院信息系统无缝衔接。因此，我们认为医学人工智能要进一步发展离不开医院信息化的不断升级。 ”
多学科的跨领域合作也是daGOAT模型得以建立并发挥作用的条件。 “此次研究得益于全方位跨领域的协同整合，包括数学建模、数据库统整、生物统计、实验室技术以及临床医学。 ”陈俊仁说。
研究论文第一作者、中国医学科学院血液病医院（中国医学科学院血液学研究所）信息与资源中心助理研究员刘雪鸥介绍，在模型的实际应用中，他们会每天更新移植患者的实验室检验数据，根据模型预测患者是高危还是低危aGVHD ，再预防性给药，以期在不提高感染率的情况下降低重度aGVHD的发生风险。目前，研究团队正在加紧筹备这项工作。
“这项研究对事前预警提示临床干预、降低不良事件发生率进行了初步探索。 ”陈俊仁表示。
未来将完善模型并开展前瞻性临床研究
陈俊仁介绍，研究论文投稿到《自然·计算科学》后，编辑非常感兴趣并很快决定送审。论文审稿人认为， daGOAT模型是一个将患者基本特征和实验室检验数据结合起来的机器学习预测模型，与仅采用患者基本特征预测的模型相比，这种模型精确度更高，更加适合临床应用，有助于医生进行临床决策。
相关专家表示，上述研究是基于多维度、高质量临床数据资源整合的典型研究范例，为血液系统疾病科学研究奠定了重要基础。
“我们希望提供daGOAT模型也能应用于其他应用场景的证据。 ”陈俊仁介绍，当时，研究团队想到的最“夸张”的应用场景是：能不能通过智能手机的微小移动或信号的振动，在一个人还坐着的时候就提前预测他是不是在接下来几秒钟将要站起来。
为此，研究团队从美国加州大学获得了一个智能手机数据集后专门测试了一下，他们发现daGOAT模型在这个应用场景的预测效果也比随机森林、XGBoost等机器学习模型的预测效果好。
“虽然我们对自身的定位还是坚守血液疾病的数据科学研究与工具开发，但偶尔偏离主题做一些异想天开的研究，其实也挺好。 ”陈俊仁说。
谈及该模型的不足之处，陈俊仁指出，该研究纳入的数据仅限于中国医学科学院血液病医院（中国医学科学院血液学研究所）一家血液中心的数据， daGOAT模型还有待完善。下一步，研究团队将开展daGOAT模型的前瞻性临床研究。

动态指标|预测模型神机妙算 对干细胞移植后疾病可“未卜先知”( 二 )

动态指标|预测模型神机妙算对干细胞移植后疾病可“未卜先知”( 二 )