机器学习对thalidomide诱导的外周神经病的比较和发展,预测中国人口中耐火克罗恩病的预测
Jing Mao1,2, Kang Chao3, Fu-Lin Jiang1
1Institute of Clinical Pharmacology, School of Pharmaceutical Sciences, Sun Yat-sen University, Guangzhou 510006, Guangdong Province, China.
World journal of gastroenterology
|July 10, 2023
概括
机器学习模型可以预测在克罗恩氏病患者中,thalidomide诱导的外周神经病变 (TiPN). 通过使用临床和遗传因素,XGBoost算法在识别有TiPN风险的患者方面表现出高准确性.
科学领域:
- 药物基因组学 药物基因组学
- 计算生物学 计算生物学
- 临床医学 临床医学
背景情况:
- 塔利多米德对耐火性克罗恩病 (CD) 有效.
- thalidomide诱导的外周神经病变 (TiPN) 是一种严重的,不可预测的副作用,阻碍了治疗.
- 需要预测模型来识别CD中TiPN风险患者.
研究的目的:
- 开发和比较用于预测CD患者TiPN的机器学习模型.
- 确定TiPN的关键临床和遗传预测因素.
- 在TiPN预测中评估各种机器学习算法的性能.
主要方法:
- 对164名CD患者 (2016-2022) 的回顾性队列研究.
- 使用国家癌症研究所常见毒性标准感官尺度对TiPN的评估.
- 使用18个临床变量和150个遗传变量开发和评估5个机器学习模型 (XGBoost,GBDT,ET,RF,物流回归).
- 性能指标包括AUROC,AUPRC,准确度,精度,F1得分,特异性和灵敏度.
主要成果:
- TiPN的主要预测因素包括IL-12 rs1353248,thalidomide剂量和BDNF基因多态 (rs2030324,rs6265,rs11030104).
- 在训练组中,所有五种模型都实现了AUROC> 0.90和AUPRC> 0.87.
- 在训练组 (AUROC 1.0,AUPRC 1.0) 中,XGBoost 和 GBDT 显示出更高的性能.
- 在验证组中,XGBoost获得了最高的AUROC (0.89) 和AUPRC (0.86),证明了强大的预测能力.
结论:
- XGBoost算法使用临床和遗传数据准确预测CD患者的TiPN.
- 通过单核酸多态 (SNP) 识别高风险患者可以提高thalidomide治疗的疗效.
- 这种预测模型提供了一种可行的方法来缓解TiPN并优化CD的thalidomide治疗.
