El aprendizaje automático transparente revela biomarcadores diagnósticos de glicano en la hemorragia subaracnoidea y...

Área de la Ciencia:

• La bioquímica
• Biología computacional
• Diagnóstico médico

Sus antecedentes:

• La hemorragia subaracnoidea (SAH) y el vasospasmo cerebral (CVS) plantean desafíos de diagnóstico y estratificación del riesgo.
• Los perfiles N-glicómicos séricos ofrecen biomarcadores potenciales para las afecciones neurológicas.

Objetivo del estudio:

• Desarrollar modelos de aprendizaje automático interpretables para diferenciar entre controles sanos, pacientes con SAH y pacientes con SAH con CVS utilizando datos de N-glucómicos séricos.
• Refinar una metodología de preprocesamiento, selección de características y clasificación basada en perfiles glucómicos.

Principales métodos:

• Preprocesamiento sistemático de los datos N-glucómicos, incluida la eliminación de valores atípicos y el escalamiento.
• Reducción de características basada en la correlación guiada por las puntuaciones de importancia del árbol de decisión.
• Desarrollo y evaluación de clasificadores de árboles de decisión interpretables mediante validación cruzada estratificada.

Principales resultados:

• Se logró una alta precisión de clasificación (hasta 0,91) y puntuaciones F1 estables en la distinción entre los grupos de control, SAH y CVS.
• Los N-glicanos específicos, incluidos los FA2 ((6) G1, A4G4S3 ((2) y A3G3S3 ((5), se identificaron como características discriminatorias clave.
• Las visualizaciones proporcionaron información intuitiva sobre la lógica de toma de decisiones de los clasificadores glucómicos.

Conclusiones:

• Los modelos de árboles de decisión interpretables basados en N-glucómicos son prometedores para su aplicación clínica en el diagnóstico de SAH y CVS.
• La metodología refinada mejora la fiabilidad e interpretabilidad del descubrimiento de biomarcadores glucómicos.
• Estos hallazgos apoyan la integración de los datos de los glucómeros y el aprendizaje automático en los sistemas de apoyo a la toma de decisiones clínicas.