血清多蛋白生物标志物概况与多发性硬化症中现实世界残疾之间的关联

科学领域:

• 生物标志物和诊断方法
• 神经免疫学 神经免疫学
• 机器学习在医学中的应用

背景情况:

• 很少有研究探讨了血液生物标志物来预测多发性硬化症 (MS) 患者报告的结果 (PROs).
• 了解MS中残疾进展对于患者管理和治疗策略至关重要.

研究的目的:

• 调查血清多蛋白生物标志物概况与患者报告的MS残疾之间的关联.
• 评估机器学习模型的预测性能,使用MS残疾的联合临床和蛋白质组数据.

主要方法:

• 一项涉及431名患有多发性硬化症的成年人的横截面研究,利用培训和测试队列.
• 机器学习模型 (LASSO,随机森林,XGBoost,SVM,整体方法) 被训练来预测患者确定疾病步骤 (PDDS) 的得分.
• 预测因素包括七个临床因素和19个血清蛋白生物标志物.

主要成果:

• 结合临床因素和19种血清蛋白质,仅使用临床数据或单一蛋白质生物标志物的模型在预测严重MS残疾方面表现明显优于模型 (二进制PDDS的AUC=0.91).
• 对顺序PDDS预测 (R2=0.31) 的表现最好的LASSO模型也利用了结合的临床和蛋白质组特征.
• 关键的预测蛋白包括神经丝光链 (NfL) 和其他参与神经轴完整性的蛋白质.

结论:

• 血清多蛋白生物标志物概况可以提高MS残疾状况的预测,而不仅仅是临床信息.
• 这些发现表明,使用血基生物标志物评估多发性硬化症残疾的临床可行的方法.
• 多种蛋白质面板,特别是那些反映神经轴突完整性的面板,对于预测多发性硬化症患者的结果非常有价值.