一个简化的机器学习模型,利用与血小板相关的基因来预测败血症的不良预后
Yingying Diao1, Yan Zhao1, Xinyao Li1
1National Clinical Research Center for Laboratory Medicine, Department of Laboratory Medicine, The First Hospital of China Medical University, Shenyang, China.
Frontiers in immunology
|December 6, 2023
概括
使用血小板基因的机器学习模型预测了败血症的预后. 这种模型有助于早期治疗毒症患者的治疗决策,改善个性化医疗和患者护理.
科学领域:
- 基因组学就是基因组学.
- 机器学习 机器学习
- 败血症研究 败血症研究
背景情况:
- 血小板缺血是已知的败血症的预后因素.
- 血小板相关基因与败血症结果之间的联系需要进一步调查.
- 机器学习提供了一种新的方法来预测败血症的预后.
研究的目的:
- 开发和验证一种机器学习模型,用于使用与血小板相关的基因预测败血症的不良预后.
- 根据已建立的临床分数来评估模型的预测性能.
- 探索基因模型在个性化败血症管理中的潜力.
主要方法:
- 从365名败血症患者的血小板数据的回顾性分析.
- 使用COX分析,LASSO和SVM识别关键的血小板相关基因.
- 在六个不同的平台上训练和验证机器学习模型 (719名患者).
- 模型性能与急性生理学和慢性健康评估II (APACHE II) 和顺序器官衰竭评估 (SOFA) 评分的比较.
主要成果:
- 血小板计数低于100×10^9/L独立增加了败血症患者的死亡风险 (OR = 2.523).
- 基于五个与血小板相关的基因的机器学习模型,在平台上实现了曲线下的面积 (AUC) 值从0.5到0.795.
- 在一个平台上,该模型 (AUC=0.795) 的表现优于APACHE II得分 (AUC=0.761),当年龄被纳入时,表现有所改善 (AUC=0.812).
- 在另一个平台上,随着年龄的纳入,该模型的AUC从0.5提高到0.583,与APACHE II (0.604) 和SOFA (0.542) 相比.
结论:
- 开发的机器学习模型证明了在败血症早期治疗决策的广泛适用性.
- 这种基于基因的预测模型有望在败血症护理中推进个性化医学.
- 这些发现支持将基因组数据整合到临床决策中,以改善患者的治疗结果.
