对于骨髓纤维化这种复杂的血液系统恶性肿瘤，异基因造血干细胞移植（allo-HCT）是目前唯一可能实现治愈的治疗手段。然而，随着新疗法的不断涌现和风险评估考量的日益复杂，如何精准选择适合移植的患者，以及何时进行移植，成为了临床医生面临的一大挑战。为了应对这一难题，欧洲输血与骨髓移植学会（EBMT）的研究团队开发了一款创新的机器学习模型，旨在更有效地识别和分层骨髓纤维化患者的移植风险。
这款由EBMT于2025年3月27日正式发布的机器学习模型，能够根据患者的年龄、体能状态和合并症指数等关键特征，预测骨髓纤维化患者在接受异基因造血干细胞移植后的总体生存（OS）情况。值得一提的是，这款开放获取的工具目前已免费在线提供使用，为全球的临床医生和患者带来了福音。
“我从事骨髓纤维化移植领域近二十年，尽管经验丰富，但选择合适的时机和患者进行移植仍然充满挑战，”EBMT团队成员Donal McLornan博士表示，“尤其是在当前，患者对众多临床试验和新药充满期待，而我们尚未完全理解如何将这些新因素整合到移植决策算法中。这款工具将帮助我们，在综合考虑其他诸多因素的同时，更好地决定哪些患者适合进行移植。”
EBMT机器学习模型：设计与训练
为了构建这款先进的机器学习工具，研究人员收集了2005年至2020年间在EBMT中心接受首次异基因造血干细胞移植的成人原发性或继发性骨髓纤维化患者的数据。他们采用了一种随机生存森林模型，并纳入了10个关键变量进行分析，包括：年龄、合并症指数、体能状态、外周血原始细胞比例、血红蛋白、白细胞、血小板、供者类型、预处理强度以及移植物抗宿主病预防方案。
该机器学习模型共纳入了来自288个中心的5183名患者数据进行训练和验证。其中，训练队列包含3887名患者，验证队列包含1296名患者。模型构建完成后，研究人员进行了一项回顾性研究，将新开发的机器学习方法与基于Cox回归的四级评分系统、其他基于相同数据集的机器学习模型以及国际血液和骨髓移植研究中心（CIBMTR）评分进行了性能比较。
“这项研究旨在探索机器学习工具在骨髓纤维化患者异基因造血干细胞移植前风险分层中的可行性和影响力，因为这是一个非常复杂的决策过程。我们希望开发一个能够通过数据驱动方法增强临床医生能力的工具，”EBMT团队成员Adrián Mosquera Orgueira博士解释道，“我们利用注册库中的基线数据来训练模型，以预测患者的总体生存和无复发生存结果，从而更好地理解患者预后不佳是否不仅与疾病相关因素有关，还与治疗毒性有关。”
EBMT模型：精准识别高风险患者，优化预后预测
在中位随访期内，训练集和测试集的总体生存率（OS）中位数分别为79.4个月和73.7个月。在总体移植结果方面，估计的1年、5年和10年总体生存率分别为70%、53%和43%。相应的无进展生存率分别为62%、44%和35%。非复发死亡率（NRM）估计值分别为23%、32%和36%。
与另外三种机器学习方法相比，EBMT模型在训练集和测试集中的总体生存率和非复发死亡率的一致性指数均更高。EBMT模型在Cox评分的中危-2风险组中，显示出显著的风险组重新分配能力，这意味着它能更细致地识别出真实的高风险患者。
值得注意的是，EBMT机器学习模型将25%的患者识别为移植后预后不良的高风险患者（约35%的非复发死亡率和40%的1年总体死亡率），而Cox衍生评分和CIBMTR模型分别仅识别出10.1%和8.2%的高风险患者。这表明EBMT模型在识别真正需要关注的高风险骨髓纤维化患者方面具有显著优势。
“CIBMTR评分识别出8%到10%的患者为高风险，但现实告诉我们，这个数字更接近30%，”Orgueira博士指出，“当我们确定最佳阈值时，我们的工具识别出25%的患者在异基因造血干细胞移植后表现非常差。这比其他工具预测的高风险患者数量增加了一倍多，也更符合我们在临床中观察到的情况。”此外，与Cox衍生评分相比，该机器学习模型在非复发死亡率方面也识别出更大的高风险群体。
模型应用与临床决策意义
EBMT模型还提供了一个交互式的网络计算器，可以直观地显示异基因造血干细胞移植候选患者的风险评分。该计算器包含机器学习工具所使用的10个变量的输入框，并能生成总体生存和非复发死亡率曲线、1年和2年非复发死亡率及死亡率，以及患者风险组的文本和百分位数显示。
“我们目前有很好的移植风险预测评分系统，但我们也必须考虑移植的毒性和结果，而目前我们在这方面还没有非常好的工具，”Hernández-Boluda博士表示，“有了这个机器学习工具，我们将获得关于疾病和移植风险的全面信息，并可以与患者分享。我们还有一个可视化的网络应用程序，如果患者感兴趣，我们可以与他们分享图像。通过使用这个工具，我们可以做出更明智的决策，这至关重要，因为移植是一种治愈性治疗，但同时也给患者的生命带来了很多风险。我相信将我们以前的经验与这个工具结合起来，将有助于我们做出更好的决策。”
这款EBMT机器学习模型的推出，无疑为骨髓纤维化患者的异基因造血干细胞移植决策带来了革命性的进步。它不仅提升了移植风险评估的精准度，更赋能临床医生与患者进行更充分的沟通，共同制定最适合的治疗方案，从而有望显著改善患者的长期生存预后。
