Een onderzoek gepubliceerd in Haematologica illustreert de klinische toepasbaarheid van machine learning voor risicostratificatie bij patiënten met acute myeloïde leukemie (AML). De algoritmes gebruikten zowel gevestigde als nieuwere markers en leverden aanvullend bewijs voor de rol van U2AF1, IKZF1, SF3B1, DNMT3A en bZIP-mutaties in CEBPA.
De onderzoekers beoordeelden 9 machine-learning-modellen om complete remissie en 2-jaarsoverleving te voorspellen in een multicentercohort van 1.383 AML-patiënten die intensieve inductietherapie kregen (72,9% bereikte complete remissie; 2-jaarsoverleving 44,1%). Er werden klinische, laboratorium-, cytogenetische en moleculair genetische gegevens gebruikt en de resultaten werden vervolgens gevalideerd in een extern multicentercohort dat bestond uit 664 AML-patiënten. De machine-learning-modellen selecteerden zowel gevestigde voorspellende kenmerken als markers waarvan de relevantie tot nu toe nog minder duidelijk was.
De novo AML, extramedullaire AML, dubbelgemuteerd (dm) CEBPA, mutaties in CEBPA-bZIP, NPM1, FLT3-ITD, ASXL1, RUNX1, SF3B1, IKZF1, TP53, U2AF1, t(8;21), inv(16)/t(16;16), del(5)/del(5q), del(17)/del(17p), normaal of complex karyotype, leeftijd en hemoglobine bij diagnose bleken statistisch significante markers die voorspellend waren voor een complete remissie. Daarnaast bleken t(8;21), del(5)/del(5q), inv(16)/t(16;16), del(17)/del(17p), dmCEBPA, CEBPA-bZIP, NPM1, FLT3-ITD, DNMT3A, SF3B1, U2AF1, TP53, leeftijd, aantal witte bloedcellen, aantal perifere blasten, serum LDH en Hb bij diagnose, evenals extramedullaire manifestaties voorspellend voor de 2-jaars totale overleving. De AUROC’s varieerden tussen 0,77-0,86 en 0,63-0,74 voor respectievelijk de voorspelling van complete remissie en 2-jaars totale overleving in de testset en tussen 0,71-0,80 en 0,65-0,75 in het externe validatiecohort. Uit vervolgonderzoek zal moeten blijken of deze methodologie ook toepasbaar is bij andere (hematologische) aandoeningen.