相关实验视频
Updated: Jul 16, 2025
09:49
Experimental Model to Evaluate Resolution of Pneumonia
Published on: February 17, 2023
1.3K
使用共识机器学习方法对败血症引起的急性肺损伤的诊断模型及其治疗影响
Yongxin Zheng1,2,3, Jinping Wang4, Zhaoyi Ling1,2,3
1Department of Critical Care Medicine, The First Affiliated Hospital of Guangzhou Medical University, Guangzhou, 510120, China.
Journal of translational medicine
|September 12, 2023
概括
机器学习确定了5个关键基因,用于早期诊断性患者的急性肺损伤 (ALI). 这种诊断模型改善了风险识别,并建议潜在的治疗性化合物治疗败血症诱导的ALI.
科学领域:
- 生物医学信息学 生物医学信息学
- 基因组学就是基因组学.
- 关键护理医学 关键护理医学
背景情况:
- 败血症引起的急性肺损伤 (ALI) 往往由于缺乏有效的诊断测试而被诊断为晚期,导致死亡率增加.
- 在败血症患者中早期发现ALI对于及时治疗和改善结果至关重要.
- 诊断生物标志物和机器学习方法可以增强高风险个体的查过程.
研究的目的:
- 通过机器学习,识别可靠的诊断生物标志物,以便在败血症患者中早期检测急性肺损伤 (ALI).
- 开发和验证预测性诊断模型用于败血症诱导的ALI.
- 探索潜在的治疗性小分子用于败血症诱导的ALI.
主要方法:
- 使用来自GEO和ArrayExpress数据库 (GSE66890,GSE10474,GSE32707) 的基因表达数据集进行培训和验证.
- 应用了四种机器学习特征选择方法 (弹性网,SVM,随机森林,XGBoost) 来识别诊断生物标志物.
- 构建的名图,决策曲线分析 (DCA) 和临床影响曲线 (CIC) 来评估模型性能和预测价值.
主要成果:
- 基因组丰富分析 (GSEA) 表明,免疫反应和新陈代谢参与了败血症诱导的ALI病原性.
- 确定了52个潜在的生物标志物,其中5个基因 (ARHGDIB,ALDH1A1,TACR3,TREM1,PI3) 通过所有方法一致选择.
- 诊断模型在外部验证数据集 (AUC 0.725和0.833) 中显示出高精度,并通过名录,DCA和CIC表现出色.
- 选了潜在的治疗药物,包括黄素,氨酸,乙氨基,雌激素和甲.
结论:
- 一种共识机器学习方法成功地确定了5个能够在败血症患者中区分ALI的基因.
- 开发的诊断模型有效地识别了患有ALI高风险的败血症患者.
- 这项研究提供了潜在的治疗点和小分子,用于治疗败血症引起的ALI.
