预测川崎病免疫球蛋白耐药性的工具的现状
Mindy Ming-Huey Guo1,2, Ho-Chang Kuo1,3,4
1Kawasaki Disease Center, Department of Pediatrics, Kaohsiung Chang Gung Memorial Hospital and Chang Gung University College of Medicine, Kaohsiung, Taiwan.
Expert review of clinical immunology
|July 17, 2023
概括
在川崎病 (KD) 中识别静脉注射免疫球蛋白 (IVIG) 耐药性对于预防冠状动脉病变至关重要. 机器学习和omics数据为准确的患者识别和个性化治疗策略提供了有希望的新途径.
科学领域:
- 免疫学 免疫学 免疫学
- 遗传学 是一个遗传学.
- 计算生物学 计算生物学
背景情况:
- 静脉注射免疫球蛋白 (IVIG) 耐药性是川崎病 (KD) 中冠状动脉病变 (CAL) 的重要危险因素.
- 准确识别IVIG抗性KD患者仍然是一个临床挑战.
研究的目的:
- 审查目前的IVIG耐药性评分系统和川崎病的生物标记.
- 突出机器学习的进步和用于预测IVIG电阻的高通量omics数据.
主要方法:
- 审查传统的评分模型 (例如,科巴亚希,埃加米).
- 对较新的机器学习方法的分析.
- 探索高通量欧米克数据 (转录基因,表观遗传).
主要成果:
- 传统的评分模型存在局限性,特别是在非日本人群中.
- 机器学习和omics数据识别了潜在的目标,如Fc受体基因表达和IL-1β/pyroptosis通路.
- 大数据分析有助于解释复杂的患者数据.
结论:
- 机器学习和omics数据的进步对KD的精准医学具有前景.
- 预计在识别和治疗IVIG耐药性KD患者方面会提高准确性.
- 未来的研究应该利用大数据进行个性化治疗策略.
