Application of machine learning methods to predict critical multiple myeloma events

Georgoula, Marina; Γεωργούλα, Μαρίνα

dc.contributor.author	Georgoula, Marina	en
dc.contributor.author	Γεωργούλα, Μαρίνα	el
dc.date.accessioned	2024-11-08T14:03:54Z
dc.date.available	2024-11-08T14:03:54Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/60408
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.28104
dc.rights	Αναφορά Δημιουργού-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nd/3.0/gr/	*
dc.subject	Multiple Myeloma	en
dc.subject	Predictive modeling	en
dc.subject	Machine learning	en
dc.subject	Relapse prediction	en
dc.subject	Treatment response prediction	en
dc.subject	Πολλαπλούν Μυέλωμα	el
dc.subject	Προγνωστικά μοντέλα	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Πρόβλεψη υποτροπής	el
dc.subject	Πρόβλεψη απόκρισης στη θεραπεία	el
dc.title	Application of machine learning methods to predict critical multiple myeloma events	en
heal.type	masterThesis
heal.classification	Biomedical Engineering	en
heal.classification	Digital health solutions	en
heal.classification	Artificial Intelligence	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2024-06
heal.abstract	Multiple Myeloma (MM), a hematological malignancy, presents a complex challenge due to its multifaceted nature driven by genetic, molecular, and clinical factors. This thesis aimed to leverage comprehensive multi-source data from the Multiple Myeloma Research Foundation CoMMpass study to develop accurate and reliable predictive models addressing three critical events in MM. The case studies examined include prediction of relapse, treatment response, and mortality risk. This research constructed predictive models employing longitudinal clinical, phenotype, and transcriptomic data, to anticipate relapse at the first and fifth year since diagnosis and treatment initiation, since a key characteristic of MM is frequent relapses after initial therapeutic responses, signaling drug-resistant clones or disease progression. The models demonstrated robust predictive performance, enabling timely identification of patients at risk for relapse. These forecasting models could allow clinicians to implement preemptive strategies, such as salvage therapies or intensified treatment regimens. Furthermore, predicting treatment response is crucial in MM for guiding therapeutic decisions, optimizing dosages, and customizing surveillance strategies. This task was divided into three subtasks reflecting different contexts of treatment response. For the first and fifth year of first-line treatment, models were trained as binary classifiers using baseline cross-sectional data and longitudinal panel data as two different subtasks. The XGBoost model excelled at both prediction horizons with baseline input data, while the Attention-LSTM model effectively handled sequential data, suggesting further optimization. Additionally, a third subtask predicted response to any line therapy six months ahead, using six months of patient history, with LSTM-variant models yielding high performance results. Significant predictors for treatment response were also identified including treatment-related information, status of MM disease at diagnosis as well as some laboratory measurements. Lastly, this thesis integrated clinical and transcriptomic features to develop prognostic models for 5-year survival in MM, stratifying patients into distinct risk cohorts. The models exhibited strong predictive performance, aiding shared decision-making, resource allocation, and tailoring palliative care. Clustering transcriptomic data provided a grouped risk stratification tool, with SHAP analysis revealing significant predictors, including disease status at diagnosis and duration of treatment responsiveness. In summary, this thesis highlights the potential of advanced predictive modeling in enhancing MM patient management, offering actionable insights for relapse prediction, treatment response, and long-term survival, thereby overall improving quality of life and patient outcomes.	en
heal.abstract	Το Πολλαπλούν Μυέλωμα (ΠΜ) ως πλασματοκυτταρική κακοήθεια, αποτελεί μια σύνθετη πρόκληση λόγω της πολυπλοκότητάς του, που προέρχεται από γενετικούς, μοριακούς και κλινικούς παράγοντες. Αυτή η διπλωματική εργασία στοχεύει στην αξιοποίηση ολοκληρωμένων πολυδιάστατων δεδομένων από το Multiple Myeloma Research Foundation CoMMpass study για την ανάπτυξη αξιόπιστων προγνωστικών μοντέλων που εξετάζουν τρία κρίσιμα γεγονότα που σχετίζονται με την ασθένεια. Οι περιπτώσεις που εξετάστηκαν περιλαμβάνουν την πρόβλεψη υποτροπής, την ανταπόκριση στη θεραπεία και τον κίνδυνο θνησιμότητας. Συγκεκριμένα, κατασκευάστηκαν προγνωστικά μοντέλα χρησιμοποιώντας διαχρονικά κλινικά, δημογραφικά και δεδομένα γονιδιακής έκφρασης, για να εκτιμηθεί η υποτροπή κατά το πρώτο και πέμπτο έτος από τη διάγνωση και την έναρξη της θεραπείας, δεδομένου ότι ένα βασικό χαρακτηριστικό του ΠΜ είναι οι συχνές υποτροπές, υποδεικνύοντας ανθεκτικούς κλώνους ή εξέλιξη της νόσου. Τα μοντέλα επέδειξαν ισχυρή προγνωστική απόδοση και στους δύο ορίζοντες πρόβλεψης, επιτρέποντας την έγκαιρη αναγνώριση ασθενών σε κίνδυνο υποτροπής. Επιπλέον, η πρόβλεψη της ανταπόκρισης στη θεραπεία είναι κρίσιμη στο ΠΜ για την καθοδήγηση των θεραπευτικών αποφάσεων, τη βελτιστοποίηση των δόσεων και την εξατομίκευση των στρατηγικών παρακολούθησης. Σε αυτήν την περίπτωση, υλοποιήθηκαν τρία υπο-προβλήματα που αντικατοπτρίζουν διαφορετικά πλαίσια ανταπόκρισης στη θεραπεία. Αρχικά, τα μοντέλα εκπαιδεύτηκαν ως δυαδικοί ταξινομητές χρησιμοποιώντας δεδομένα που συλλέχθηκαν στην πρώτη επίσκεψη και διαχρονικά δεδομένα, προβλέποντας την ανταπόκριση στο πρώτο και πέμπτο έτος της πρώτης γραμμής θεραπείας. Το μοντέλο XGBoost διακρίθηκε με υψηλή απόδοση, έχοντας δεδομένα εισόδου βασικής γραμμής, ενώ το μοντέλο Attention-LSTM χειρίστηκε αποτελεσματικά τα διαδοχικά δεδομένα, υποδεικνύοντας την ανάγκη για περαιτέρω βελτιστοποίηση. Επιπλέον, στο τρίτο υπο-πρόβλημα, τα μοντέλα παραλλαγής του LSTM μοντέλου, προέβλεψαν με υψηλή ακρίβεια και ευαισθησία την ανταπόκριση σε οποιαδήποτε γραμμή θεραπείας έξι μήνες νωρίτερα, χρησιμοποιώντας έξι μήνες ιστορικού ασθενούς. Επίσης, εντοπίστηκαν σημαντικοί προγνωστικοί παράγοντες για την ανταπόκριση στη θεραπεία, συμπεριλαμβανομένων των πληροφοριών που σχετίζονται με τη θεραπεία, την κατάσταση της νόσου κατά τη διάγνωση και ορισμένων εργαστηριακών μετρήσεων. Τέλος, αυτή η εργασία ενσωμάτωσε κλινικά και χαρακτηριστικά γονιδιακής έκφρασης για την ανάπτυξη αποδοτικών προγνωστικών μοντέλων σχετικά με την 5ετή επιβίωση, κατατάσσοντας τους ασθενείς σε διακριτές ομάδες κινδύνου. Συνοψίζοντας, αυτή η εργασία αναδεικνύει τις δυνατότητες των προηγμένων προγνωστικών μοντέλων στη βελτίωση της διαχείρισης των ασθενών με ΠΜ, βελτιώνοντας έτσι τη συνολική ποιότητα ζωής και τα αποτελέσματα των ασθενών.	el
heal.advisorName	Ματσόπουλος, Γεώργιος	el
heal.committeeMemberName	Ματσόπουλος, Γεώργιος	el
heal.committeeMemberName	Φωτιάδης, Δημήτριος	el
heal.committeeMemberName	Αλεξόπουλος, Λεωνίδας	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	77 σ.	el
heal.fullTextAvailability	false