机器学习算法和对新生儿中抗氧化酶和氧化应激标记的单核酸多态的计算验证

科学领域:

• 新生儿医学 新生儿医学
• 生物标志物 生物标志物
• 机器学习 机器学习

背景情况:

• 呼吸困扰综合征 (RDS) 和肝功能显著改变 (SALVs) 是关键的新生儿状况.
• 确定RDS和SALV的预测因素对于及时干预和改善结果至关重要.

研究的目的:

• 评估用于预测RDS和SALV的机器学习算法 (MLA).
• 确定关键的预测因素,包括氧化应激生物标志物 (OSB) 和抗氧化酶中的单核酸多态 (SNP).

主要方法:

• 使用 MLA 来预测 RDS 和 SALV.
• 曲线下的面积 (AUC) 被用作主要准确度指标.
• 预测模型包括抗氧化酶的OSB和SNP.

主要成果:

• 该C5.0算法实现了预测SALV的最高AUC (0.63),并将催化酶确定为关键预测因子.
• 贝叶斯网络模型证明了RDS的最佳预测 (AUC:0.6),其中ENOS1被确定为最重要的预测因子.
• 特定的OSB和遗传多态性对这两种情况都有预测价值.

结论:

• 在新生儿RDS和SALV中,MLA具有显著的潜力来识别关键的遗传和OSB预测因子.
• 这些发现突出了潜在临床应用的特定生物标志物和算法.
• 建议在前性研究中紧急验证这些预测模型.