启用IFN-γ ELISpot的机器学习用于识别非即时药物过敏的罪祸首药物

科学领域:

• 免疫学 免疫学 免疫学
• 药理学 药理学是指药理学的学科.
• 数据科学数据科学数据科学

背景情况:

• 诊断药物诱导的过敏,特别是非即时的过敏反应,带来了重大的临床挑战.
• 对药物过敏的错误分类可能会导致患者的不良结果和不适当的治疗决定.

研究的目的:

• 评估干扰素- (IFN-γ) ELISpot测定和临床参数在预测药物诱导的非立即过敏症的诊断价值.
• 开发和评估机器学习模型 (随机森林和物流回归) 以改进过敏诊断.

主要方法:

• 招募了393名患者,通过积极的补丁测试或药物诱导测试 (DPT) 定义药物过敏性.
• 开发了结合临床因素的随机森林 (RF) 和后勤回归 (LR) 模型,并将其与IFN-γ ELISpot-only模型进行比较.
• 分析了来自102名患者的164个DPT,注意到常见的反应 (严重的皮肤不良反应,斑点斑块外) 和疑似药物 (抗结核病,β-乳糖药).

主要成果:

• 在开发的模型中,IFN-γ ELISpot,固定药物爆发,Naranjo类别和NSAID是关键预测因素.
• 与IFN-γ ELISpot单独相比,RF和LR模型显示出更高的区分能力.
• 16.0 SFC/10^6 PBMC 的IFN-γ ELISpot切线为94.8%的特异性和57.1%的灵敏度;RF和LR模型允许灵活优化高特异性或灵敏度.

结论:

• IFN-γ ELISpot测定对识别罪祸首药物有价值,无论是独立的还是预测模型中的.
• 射频和射流模型在预测药物诱导的非直接过敏性方面表现相似.
• 建议使用额外的DPT数据集进行进一步验证,以确认开发的模型的稳定性.