原文鏈接：http://tecdat.cn/?p=20666?

2019年,全球八個(gè)主要國家的18歲以上男女共診斷出72,164例急性髓細(xì)胞白血病(AML)。預(yù)計(jì)它將繼續(xù)以2.51%的復(fù)合年增長率增長,到2029年達(dá)到90,264。

AML患者的生存率仍然很差，總體5年生存率約為15％。

AML患者最初接受阿糖胞苷的標(biāo)準(zhǔn)護(hù)理組合方案治療，然后再接受蒽環(huán)類藥物（如柔紅霉素）治療，有時(shí)再進(jìn)行干細(xì)胞移植治療。通常在進(jìn)行“鞏固”化療之后，不幸的是，AML的復(fù)發(fā)率非常高。

識(shí)別AML中新的治療途徑通常著眼于診斷時(shí)胚細(xì)胞中存在的潛在突變。

在最近的幾十年中，針對(duì)已知突變途徑的藥物在非特異性白血病患者中獲得了巨大的成功（例如，格列衛(wèi)治療慢性粒細(xì)胞白血病；?ATRA急性早幼粒細(xì)胞白血??；慢速靜脈曲張治療慢性淋巴細(xì)胞性白血病）。

在本文中，我們將分析受體酪氨酸激酶FLT3。

FLT3突變狀態(tài)診斷時(shí)預(yù)測風(fēng)險(xiǎn)

患者的FLT3突變狀態(tài)是否可以在診斷時(shí)預(yù)測任何有用的信息（或與之相關(guān)）？

圖表1

我們分析了FLT3兩種突變狀態(tài)下風(fēng)險(xiǎn)細(xì)胞評(píng)分。FLT3兩種突變狀態(tài)分別為：WT基因和Mut基因。通過比較不同狀態(tài)下風(fēng)險(xiǎn)細(xì)胞：在診斷時(shí)基于細(xì)胞遺傳學(xué)的風(fēng)險(xiǎn)評(píng)分，可以發(fā)現(xiàn)WT基因狀態(tài)下風(fēng)險(xiǎn)評(píng)分差的患者比例要高于風(fēng)險(xiǎn)評(píng)分良好的患者。在Mut基因狀態(tài)下風(fēng)險(xiǎn)評(píng)分差的患者比例要低于風(fēng)險(xiǎn)評(píng)分良好的患者。通過檢驗(yàn)，我們發(fā)現(xiàn)FLT3突變狀態(tài)和風(fēng)險(xiǎn)細(xì)胞評(píng)分之間有顯著的影響關(guān)系。

不同年齡患者的FLT3突變狀態(tài)與風(fēng)險(xiǎn)評(píng)分

年齡是否表明患者的預(yù)后可能很差？

圖表2

接下來，我們對(duì)患者年齡分組，大部分患者年齡集中在40歲以上。WT基因狀態(tài)下風(fēng)險(xiǎn)評(píng)分差的患者比例高于Mut基因，隨著年齡增加，風(fēng)險(xiǎn)細(xì)胞良好的患者比例減少，風(fēng)險(xiǎn)評(píng)分差的比例在40歲以下的最低，大于40歲的患者年齡分組中差異不明顯。Mut基因下風(fēng)險(xiǎn)評(píng)分差的比例在50-60歲最低，其他分組差異不明顯。通過年齡對(duì)FLT3突變狀態(tài)的影響分析，我們發(fā)現(xiàn)影響不顯著。

FLT3突變狀態(tài)與預(yù)后因素

AML是通過患者外周血和骨髓中的腫瘤“胚細(xì)胞”數(shù)量來診斷的。

這通常記錄為胚細(xì)胞在骨髓細(xì)胞總數(shù)中的百分比，或外周血中白細(xì)胞的總數(shù)。

較高的數(shù)字通常代表不利的預(yù)后因素。

圖表3

接下來，我們比較了不同狀態(tài)基因下，胚細(xì)胞在骨髓細(xì)胞總數(shù)中的百分比，或外周血中白細(xì)胞的總數(shù)水平下患者數(shù)量。

WT基因下，骨髓細(xì)胞總數(shù)中的百分比80以上的患者分布比例最高，骨髓細(xì)胞總數(shù)中的百分比20以下最少，大部分患者外周血中白細(xì)胞的總數(shù)小于150。Mut基因下，骨髓細(xì)胞總數(shù)中的百分比50-70的患者分布比例最高，遠(yuǎn)超過骨髓細(xì)胞總數(shù)中的百分比50以下的患者比例。通過分析，我們發(fā)現(xiàn)FLT3突變狀態(tài)對(duì)胚細(xì)胞在骨髓細(xì)胞總數(shù)中的百分比和外周血中白細(xì)胞的總數(shù)有顯著的影響。

本文章中的所有信息（包括但不限于分析、預(yù)測、建議、數(shù)據(jù)、圖表等內(nèi)容）僅供參考，拓端數(shù)據(jù)（tecdat）不因文章的全部或部分內(nèi)容產(chǎn)生的或因本文章而引致的任何損失承擔(dān)任何責(zé)任。

最受歡迎的見解

1.Python中的Apriori關(guān)聯(lián)算法-市場購物籃分析

2.R語言繪制生存曲線估計(jì)|生存分析|如何R作生存曲線圖

3.用關(guān)聯(lián)規(guī)則數(shù)據(jù)挖掘探索藥物配伍中的規(guī)律

4.通過Python中的Apriori算法進(jìn)行關(guān)聯(lián)規(guī)則挖掘

5.用關(guān)聯(lián)規(guī)則數(shù)據(jù)挖掘探索藥物配伍中的規(guī)律

6.采用SPSS Modeler的Web復(fù)雜網(wǎng)絡(luò)對(duì)所有腧穴進(jìn)行分析

7.R語言如何在生存分析與COX回歸中計(jì)算IDI，NRI指標(biāo)

8.R語言如何找到患者數(shù)據(jù)中具有差異的指標(biāo)？（PLS—DA分析）

9.R語言中的生存分析Survival analysis晚期肺癌患者4例