一个集成的管道用于预测Clostridioides difficile感染

科学领域:

• 基因组学就是基因组学.
• 机器学习 机器学习
• 流行病学 流行病学

背景情况:

• 电子健康记录 (EHR) 链接的基因组数据的日益普及,有助于开发先进的机器学习模型.
• 迫切需要强大的管道来评估综合模型的性能,并减轻医疗保健数据中的系统偏差.
• 困难菌感染 (CDI) 构成了重大的公共卫生挑战,需要提高预测能力.

研究的目的:

• 开发和评估一种基于机器学习的预测模型,用于症状性Clostridioides difficile感染 (CDI).
• 为了更好的预测,将基于EHR的常见临床风险因素与遗传风险因素 (rs2227306/IL8) 结合起来.
• 建立一个全面的管道,尽量减少系统偏差,并彻底评估遗传特征的贡献.

主要方法:

• 通过整合EHR数据和遗传风险因子rs2227306 (IL8) 开发了CDI的预测模型.
• 采用了包括表型算法在内的管道,以最大限度地减少时间偏差,用于预测功率评估的模拟研究,以及用于混控制的倾向性得分匹配.
• 利用过量采样的机器学习算法来处理数据不平衡,并优化偏差差异权衡模型.

主要成果:

• 用单独的临床风险因素和与遗传特征相结合,评估了CDI预测模型的性能.
• 量化了将遗传信息纳入模型的预测效益.
• 证明了开发的管道在提供综合遗传特征的彻底评估方面的有效性.

结论:

• 基于EHR的临床因素和遗传信息的整合,在一个强大的管道的指导下,可以改善症状性CDI的预测.
• 开发的方法有效地减少了系统偏见,并为评估预测模型中遗传特征的实用性提供了一个框架.
• 这种方法对于推进精准医学和改善患者的治疗结果至关重要,因为它可以对CDI进行早期识别和干预.