統合型機械学習とメンデルのランダム化により,川崎病における冠動脈病変の因果的な実験バイオマーカーを特定する:前向きな研究
Hancao Yang1, Meng Wu2, Keqing Liang1
1Department of Clinical Laboratory, Children's Hospital of Fudan University & National Children Medical Center, Shanghai, China.
Frontiers in genetics
|September 2, 2025
関連する実験動画
10:03
Coronary Progenitor Cells and Soluble Biomarkers in Cardiovascular Prognosis after Coronary Angioplasty
Published on: January 28, 2020
5.4K
09:06Quantitative Analysis of Cellular Composition in Advanced Atherosclerotic Lesions of Smooth Muscle Cell Lineage-Tracing Mice
Published on: February 20, 2019
8.4K
08:51Author Spotlight: Integrated Multi-Omics Analysis for Unveiling Multicellular Immune Signatures in Clinical Heart Attack Cohorts
Published on: September 20, 2024
1.5K
PubMed で要約を見る
まとめ
人工知能モデルは,川崎病 (KD) の小児における冠動脈損傷 (CAL) リスクを予測することができます. 遺伝子分析で検証されたこのアプローチは,KD患者におけるCALの早期介入を助長する.
科学分野:
- 小児心臓科
- 医療における人工知能
- 遺伝学
背景:
- カワサキ病 (KD) は,小児における冠動脈病変 (CAL) の重大なリスクを伴います.
- 高リスクの患者の早期発見は 早期の介入と改善のために不可欠です
研究 の 目的:
- KD患者のCALリスクを予測するための人工知能 (AI) モデルを開発し,検証する.
- 主要な予測特性とそのCALとの因果関係を特定する.
主な方法:
- 506人のKD患者のデータに基づいて,マルチレイヤー感知子分類器 (MLPC),ランダムフォレスト (RF),エクストラツリー (ET) を含む機械学習 (ML) モデルを使用した.
- モデルの性能と遺伝的因果関係を評価するために,時間横断の検証とメンデルのランダム化 (MR) 分析を行いました.
- モデル開発のための7つの予測特性を特定した.
主要な成果:
- MLPCは,検証されたMLモデルの中で最も高い精度を示した.
- 活性化された部分血栓形成時間 (APTT) と赤血球分布幅 (RDW) は,CALに関連する因果要因として特定されました.
- 人工知能モデルは 遺伝的検証によって 信頼性の高いリスクの階層化を可能にします