TY  - JOUR 
AU  - Mosquera Orgueira, Adrián
AU  - González Pérez, Marta Sonia
AU  - D'Agostino, Mattia
AU  - Cairns, David A.
AU  - Larocca, Alessandra
AU  - Lahuerta Palacios, Juan José
AU  - Wester, Ruth
AU  - Bertsch, Uta
AU  - Waage, Anders
AU  - Zamagni, Elena
AU  - Pérez Míguez, Carlos
AU  - Rojas Martínez, Javier Alberto
AU  - Mai, Elias K
AU  - Crucitti, Davide
AU  - Salwender, Hans
AU  - Dall'Olio, Daniele
AU  - Castellani, Gastone
AU  - Piñeiro Fiel, Manuel
AU  - Bringhen, Sara
AU  - Zweegman, Sonja
AU  - Cavo, Michele
AU  - Iqbal, Sofía
AU  - Hernández Rivas, Jesús María
AU  - Bruno, Benedetto
AU  - Cook, Gordon
AU  - Kaiser, Martin F
AU  - Goldschmidt, Hartmut
AU  - van de Donk, Niels W C J
AU  - Jackson, Graham
AU  - San Miguel, Jesus F
AU  - Boccadoro, Mario
AU  - Mateos Manteca, María Victoria
AU  - Sonneveld, Pieter
PY  - 2025
UR  - http://hdl.handle.net/10366/172002
AB  - [EN]Traditional risk stratification in multiple myeloma (MM) relies on clinical and cytogenetic parameters but has limited predictive accuracy. Machine learning (ML) offers a novel approach by leveraging large datasets and complex variable...
LA  - eng
PB  - Wiley
KW  - Multiple myeloma (MM)
KW  - Multiple Myeloma
KW  - Learning
KW  - Cytogenetics
TI  - Machine learning risk stratification strategy for multiple myeloma: Insights from the EMN-HARMONY Alliance platform
DO  - 10.1002/hem3.70228
T2  - HemaSphere
VL  - 9
M2  - e70228
ER  -