使用血清生物标志物预测轻度至中度无top皮炎患者的疾病严重程度:一项试点研究

科学领域:

• 皮肤病学 皮肤病学
• 生物信息学是一种生物信息学.
• 机器学习 机器学习

背景情况:

• 目前,亚托皮性皮肤炎 (AD) 的诊断和严重程度评估是主观的.
• 需要客观的生物标志物来准确评估AD.

研究的目的:

• 开发和验证AD诊断和严重程度的多变量预测模型.
• 为了确定AD评估的关键血清生物标志物.

主要方法:

• 随机森林分类和回归模型是使用48名参与者的数据 (28名轻度至中度AD患者,20名健康对照) 创建的.
• 训练和测试模型以预测AD的存在和症状严重程度得分 (SCORAD,EASI).

主要成果:

• 该分类模型显示出高性能 (AUC:0.85 ± 0.10,平衡精度:0.81 ± 0.15),显著优于随机排列模型.
• 在预测和测量的SCORAD (r=0.43-0.53) 和EASI (r=0.58) 分数之间发现了显著的正相关性.
• 的评级显示出较弱的相关性 (r=0.21).

结论:

• 多变量机器学习模型可以有效地诊断轻度至中度的AD,并使用血清生物标志物预测其严重程度.
• 这种方法有可能提高药物向选择,诊断,预后和AD个性化治疗策略.