无监督的机器学习算法识别了预期的出血关系,但定义了无法解释的凝血概况,将其映射到遗传性出血telangiectasia中的血栓现型

科学领域:

• 计算生物学和生物信息学
• 血液学和凝血障碍 血液学和凝血障碍
• 遗传学和基因组学 遗传学和基因组学

背景情况:

• 遗传性出血性长膜炎 (HHT) 呈现出可变性贫血和血栓形成,这表明除了遗传之外还有修饰因素.
• 了解这些因素对于管理HHT复杂的临床表现至关重要.

研究的目的:

• 将无监督机器学习应用于血液学数据,用于在HHT中识别患者亚组.
• 与临床和遗传因素以及特定的HHT相关风险相关联已识别的血液学概况.

主要方法:

• 利用了t-SNE和k-Means对336名HHT基因型患者的全血细胞计 (CBC),铁和凝血指数的聚类.
• 分析了10个CBC变量,4个铁指数,4个凝血变量和8个综合指数.
• 研究了已识别的个人资料和临床/遗传数据之间的关联,包括肺动脉静脉形形 (AVM) 和基因型.

主要成果:

• 确定了CBC,铁,凝血和综合指数的不同配置文件.
• 结合的铁凝血概况映射到三个关键风险状态:静脉血栓塞栓症,通过肺动脉动脉瘤发生的缺血性中风和脑.
• 凝血概况与年龄,性别,C-反应蛋白,AVM或HHT基因型没有关联.

结论:

• 无监督机器学习有效地将HHT血液学数据分类为临床相关的个人资料.
• 这些个人资料独立于患者的人口统计和HHT基因型.
• 进一步的研究可能会指导对HHT的出血和血栓性并发症的预防和管理策略.