《npj Digital Medicine》：Predicting adverse events for risk stratification of chemotherapy based stem cell mobilization in multiple myeloma
编辑推荐：
本研究针对多发性骨髓瘤患者化疗联合干细胞动员（SCM）过程中高不良事件（AEs）发生率的临床难题，通过机器学习技术开发风险预测模型。研究团队对109例患者数据分析显示，虽然97%实现成功采集，但69%出现需住院的严重AEs。模型对肌酐升高预测达ROC-AUC 1.0，中性粒细胞发热预测为0.67，不良事件发生时间预测误差约1天。该研究为安全实施门诊SCM和优化医疗资源配置提供了数据支持。
自体干细胞移植（ASCT）作为多发性骨髓瘤（MM）的核心治疗手段，其成功的关键在于有效的干细胞动员（SCM）和采集。然而，当前德国标准住院化疗动员方案面临医疗资源紧张的现实挑战。尽管97%的患者最终能成功完成干细胞采集，但高达69%的患者在动员过程中会出现需要住院治疗的严重不良事件（AEs），这不仅增加患者风险，也显著加重医疗系统负担。
为破解这一临床困境，哥廷根大学医学中心研究团队开展了一项创新性研究，通过机器学习技术构建预测模型，旨在实现不良事件的精准预测和发生时间的前瞻性判断。该研究近期发表于《npj Digital Medicine》，为优化干细胞动员管理流程提供了重要循证依据。
研究团队回顾性分析了109例多发性骨髓瘤患者的临床数据，重点聚焦不良事件发生情况及其临床特征。通过构建分类模型预测需住院治疗的不良事件类型，并利用回归模型预测不良事件发生时间。模型验证采用受试者工作特征曲线下面积（ROC-AUC）和平均绝对误差等指标进行评估。
研究结果揭示三大核心发现：
- 1.
不良事件发生特征：中性粒细胞减少性发热和肾功能异常（如肌酐升高）是最常见的不良事件，其中肌酐升高预测模型表现优异（ROC-AUC 1.0），而中性粒细胞发热预测相对具有挑战性（ROC-AUC 0.67）。
- 2.
时间预测精度：回归模型对不良事件发生时间的预测平均误差仅为1天左右，为临床提前干预提供了时间窗口。
- 3.
资源优化潜力：模拟分析表明，基于风险分层的门诊管理方案可减少至少三分之一的床位占用，且不增加患者风险。
结论与讨论
本研究首次将机器学习技术系统应用于干细胞动员不良事件预测，证实了数据驱动模型在临床风险分层中的实用价值。尽管中性粒细胞发热等动态性较强的不良事件预测仍存挑战，但模型在肾功能异常等指标上的优异表现，以及整体时间预测精度，为实现精准医疗资源分配提供了技术支撑。该研究框架的推广应用有望重塑干细胞动员管理模式，在保障患者安全的同时显著提升医疗效率，为智慧医疗时代下的临床决策支持系统建设提供了重要范式。
