基于机器学习的个体化预测模型SPRIGHT：提升镰状细胞病造血干细胞移植结局预测的新工具

　　本研究针对镰状细胞病（SCD）造血干细胞移植（HCT）个体化预后预测的临床需求，开发了首个机器学习预测工具SPRIGHT。通过分析CIBMTR登记库中1641例患者数据，整合17项临床特征，实现对总体生存（OS）、无事件生存（EFS）、移植物抗宿主病（GVHD）等7项关键结局的精准预测。该模型AUC值达0.68-0.88，校准斜率0.87-0.96，为医患共同决策提供了重要工具。

　　

镰状细胞病（Sickle Cell Disease, SCD）是一种遗传性血红蛋白病，患者面临疼痛危象、器官损伤等严重并发症。虽然疾病修饰疗法可缓解症状，但造血干细胞移植（Hematopoietic Cell Transplantation, HCT）和基因治疗是目前唯一可能根治该病的手段。然而，现有的登记研究仅能提供群体水平的预后评估，无法解答患者最关心的问题："像我这样的个体接受移植后，究竟会发生什么？"这种不确定性成为医患共同决策的重要障碍。

为解决这一临床痛点，耶鲁大学医学院研究团队在《JMIR AI》发表了首个针对SCD的机器学习预测模型SPRIGHT（Sickle Cell Predicting Outcomes of Hematopoietic Cell Transplantation）。该研究利用国际血液和骨髓移植研究中心（CIBMTR）1991-2021年间1641例移植患者数据，通过随机森林算法整合了年龄、功能状态、并发症指数、CMV血清状态、急性胸综合征病史、换血需求、血管闭塞危象（VOC）频率等17项临床特征，可同时预测7项关键临床结局。

研究采用的主要技术方法包括：1）使用CIBMTR登记库的1641例SCD移植患者数据；2）通过前向序列选择（FSS）和反向特征消除（BFE）进行特征优化；3）采用随机森林算法构建预测模型；4）使用2次重复10折交叉验证解决数据不平衡问题；5）通过SHAP值分析特征重要性。

特征选择与优化

从160个初始变量中筛选出31个临床相关预测变量，最终确定17个核心预测因子，分为患者数据（年龄、功能评分、合并症指数等）、SCD特异性数据（急性胸综合征发作次数、换血需求等）和移植数据（供者类型、预处理方案等）三大类别。

评估结果与模型性能

随机森林模型在所有结局预测中表现最优，总体生存（OS）的AUC达0.7925，无事件生存（EFS）为0.7900，移植物失败（GF）为0.8024，急性GVHD（AGVHD）为0.6793，慢性GVHD（CGVHD）为0.7320，移植后VOC预测更是达到0.8779的高 discriminative 性能。模型在校准方面表现良好，四个主要结局的校准斜率在0.87-0.96之间，截距接近零。

SPRIGHT用户界面

该工具提供网络访问接口，用户可通过下拉菜单选择分类变量，输入患者特异性数据后，即可获得表格形式和饼图展示的个性化预测结果。独特之处在于用户既可选择已发表的移植方案，也可自定义组合条件方案、GVHD预防方案和血清治疗方案进行比较分析。

研究讨论部分指出，SPRIGHT相比Brazauskas等人开发的仅基于年龄和供者类型的风险评分模型具有明显优势：不仅将年龄作为连续变量处理，还纳入疾病严重程度指标和移植方案特征，预测结局也更全面。然而研究也存在一定局限性，包括登记数据的固有选择偏倚、某些治疗细节（如全身照射剂量）的缺失、以及阴性事件罕见导致的校准精度限制等。

该研究的重要意义在于首次提供了SCD患者HCT治疗的个性化预后预测工具，将机器学习技术与临床决策需求紧密结合。通过量化个体患者的治疗获益与风险，SPRIGHT有望显著改善医患沟通质量，促进基于证据的共享决策制定。研究者计划后续使用欧洲血液和骨髓移植协会（EBMT）登记数据进行外部验证，并进一步优化模型以适应不同健康素养水平患者的需求。