Earticle

초록

영어

The objective of this study was to develop a simple machine learning (ML) model predictive of the risk for severe immune-related hematological adverse events (irHAEs) associated with PD-1 or PD-L1 inhibitors in patients with various cancers. We utilized the Observational Medical Outcomes Partnership (OMOP) Common Data Model based on electronic medical record data from a university hospital in South Korea. Severe irHAEs were defined as Grades 3 to 5 according to the Common Terminology Criteria for Adverse Events (CTCAE) version 5.0. The predictive model was developed using the primary dataset from a tertiary hospital (KHMC). The model was simplified by focusing on critical features based on the feature importance values (FIVs). A total of 397 patients were included in the cohort. Among the tested ML algorithms, Random forest showed the best predictive performance (AUROC 0.88), and a parsimonious model, reduced to 50% of the full model's FIVs, demonstrated similar predictive performance to the full model (AUROC 0.83, P > 0.05). The parsimonious model included predictive features such as furosemide, oxygen gas, piperacillin/tazobactam, and acetylcysteine. Considering its simplicity and adequate predictive performance, our parsimonious ML model can be easily implemented in clinical practice and ultimately enhance medication safety in patients treated with cancer immunotherapy.

한국어

본 연구의 목적은 다양한 암 환자에서 PD-1 또는 PD-L1 억제제와 관련된 중증 면역 관련 혈액학적 부작용 (irHAEs)의 위험을 예측할 수 있는 간단한 머신러닝(ML) 모델을 개발하는 것이다. 우리는 대한민국 대학병원의 전자 의무기록 데이터를 기반으로 한 Observational Medical Outcomes Partnership (OMOP) 공통 데이터 모델을 활용하였 다. 중증 irHAEs는 Common Terminology Criteria for Adverse Events (CTCAE) 버전 5.0에 따라 3등급에서 5등급으 로 정의되었다. 예측 모델은 3차 병원(KHMC)의 주요 데이터 세트를 사용하여 개발되었다. 예측 모델은 특징 중요도 값(FIV)을 기반으로 중요한 특성에 집중하여 최소화되었다. 코호트는 397명의 환자가 포함되었다. 테스트된 ML 알 고리즘 중 Random forest가 가장 우수한 예측 성능을 보였으며(AUROC 0.88), FIV의 합이 전체 모델의 50%로 줄어 든 모델까지 전체 모델과 유사한 예측 성능을 나타났다(AUROC 0.83, P>0.05). 최소 예측 모델은 furosemide, oxygen gas, piperacillin/tazobactam, acetylcysteine과 같은 예측 feature 추출되었다. 간결성과 적절한 예측 성능을 고려할 때, 우 리의 ML 최소 예측 모델은 임상 현장에서 쉽게 적용될 수 있으며, 궁극적으로 암 면역 치료를 받는 환자의 약물 안 전성을 향상시킬 수 있을 것이다.

목차

초록
I. 서론
II. 연구 방법
1. 데이터 출처
2. 연구 대상 및 결과 정의
3. 전체 예측 모델 개발
4. 예측 모델 최소화
5. 통계 분석
III. 연구 결과
1. 환자 특성
2. 전체 예측 모델 개발
3. 전체 예측 모델의 최소화
IV. 고찰
V. 결론
감사의 말씀
참고문헌
Abstract

키워드

저자

• 박석준 [ Seok Jun Park | 경희대학교 규제과학과, 경희대학교 규제과학혁신연구센터 ]
• 양승원 [ Seungwon Yang | 경희대학교 규제과학과, 경희대학교 규제과학혁신연구센터, 경희대학교 약학대학 ]
• 이수현 [ Suhyun Lee | 경희대학교 약학대학 ]
• 주성환 [ Sung Hwan Joo | 경희대학교 규제과학과, 경희대학교 규제과학혁신연구센터 ]
• 박태민 [ Taemin Park | 경희대학교 규제과학과, 경희대학교 규제과학혁신연구센터, 경희대학교 약학대학 ]
• 김동현 [ Dong Hyun Kim | 경희대학교 규제과학과, 경희대학교 규제과학혁신연구센터, 경희대학교 약학대학 ]
• 김현지 [ Hyeonji Kim | 경희대학교 규제과학과, 경희대학교 규제과학혁신연구센터, 경희대학교 약학대학 ]
• 박소윤 [ Soyun Park | 경희대학교 규제과학과, 경희대학교 규제과학혁신연구센터, 경희대학교 약학대학 ]
• 김정태 [ Jung-Tae Kim | 강동경희대학교병원 약제실 ]
• 곽원건 [ Won Gun Kwack | 경희대학교병원 호흡기알레르기내과 ]
• 강성욱 [ Sung Wook Kang | 강동경희대학교병원 호흡기알레르기내과 ]
• 송윤경 [ Yun-Kyoung Song | 카톨릭대학교 약학대학 ]
• 차재명 [ Jae Myung Cha | 강동경희대학교병원 소화기내과 ] 교신저자
• 이상열 [ Sang Youl Rhee | 경희대학교병원 디지털헬스센터, 경희대학교병원 내분비대사내과 ] 교신저자
• 정은경 [ Eun Kyoung Chung | 경희대학교 규제과학과, 경희대학교 규제과학혁신연구센터, 경희대학교 약학대학, 강동경희대학교병원 약제실 ] 교신저자

참고문헌

발행기관

간행물

표지보기 관심저널 등록

• 간행물명

  KFDC규제과학회지(구 FDC법제연구) [Regulatory Research on Food, Drug and Cosmetic]

• 간기

  반년간

• pISSN

  2799-8940

• 수록기간

  2006~2025

• 십진분류

  KDC 518 DDC 615