SynTwin:一种基于图形的方法,用于预测使用来自合成患者的数字双胞胎来预测临床结果
Jason H Moore1, Xi Li, Jui-Hsuan Chang
1Department of Computational Biomedicine, Cedars-Sinai Medical Center, West Hollywood, CA, United States2Cedars-Sinai Cancer, Cedars-Sinai Medical Center, Los Angeles, CA, United States, jason.moore@csmc.edu.
Pacific Symposium on Biocomputing. Pacific Symposium on Biocomputing
|December 31, 2023
概括
我们开发了一种使用合成数据和网络科学创建精准医学数字双胞胎的新方法. 这种方法显著改善了临床结果的预测,证明了数字双胞胎在医疗保健中的价值.
科学领域:
- 生物医学信息学 生物医学信息学
- 计算生物学 计算生物学
- 网络科学 网络科学
背景情况:
- 数字双胞胎起源于工程,提供了个性化医疗保健的潜力.
- 现有的临床结果预测方法可能受到数据可用性和患者异质性的限制.
研究的目的:
- 开发和验证一种用于生成和利用数字双胞胎的方法,以便在精准医学中更好地预测临床结果.
- 介绍SynTwin,一种结合合成数据和网络科学的新方法,用于患者数字双胞胎的创建.
主要方法:
- 建立基于特征距离的患者相似性网络.
- 使用相关联感知算法生成合成患者数据.
- 将数字双胞胎定义为网络定义社区中的合成患者.
- 使用真实数据,数字双胞胎或组合来比较预测准确度.
主要成果:
- 与单独使用真实数据 (AUROC=0.791) 相比,SynTwin方法在大型癌症注册数据集 (AUROC=0.864) 中显著改善了死亡率预测.
- 代表假设患者的数字双胞胎提高了最近网络邻居预测的准确性.
- 该方法有效地利用网络结构和合成数据来改进预测建模.
结论:
- 基于网络的数字双胞胎,使用合成患者生成,为推进精准医学提供了有价值的战略.
- 这种方法表明了改善临床决策和结果预测的有希望的新方向.
更多相关视频
09:10Digital Hybrid Model Preparation for Virtual Planning of Reconstructive Dentoalveolar Surgical Procedures
Published on: August 5, 2021
1.8K
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.3K
