通过机器学习识别的纤维性过敏性肺炎的表型亚型共识集群分析
Tananchai Petnak1,2, Wisit Cheungpasitporn3, Charat Thongprayoon3
1Division of Pulmonary and Pulmonary Critical Care Medicine, Faculty of Medicine Ramathibodi Hospital, Mahidol University, Nakhon Pathom, Thailand.
Respiratory research
|January 18, 2024
概括
无监督机器学习确定了三种纤维性过敏性肺炎 (f-HP) 现型. 一种具有阻塞生理学的表型显示出更好的生存率,而另一种具有严重限制的表型则有更糟糕的结果.
科学领域:
- 肺部医学 肺部医学
- 数据科学数据科学数据科学
- 免疫学 免疫学 免疫学
背景情况:
- 纤维性过敏性肺炎 (f-HP) 呈现出不同的临床和放射性特征.
- 与f-HP呈现相关的表型结果仍未得到充分研究.
研究的目的:
- 评估f-HP的不同临床集群中的死亡率和肺移植 (LT) 结果.
- 使用无监督机器学习来表征f-HP患者表型.
主要方法:
- 用共识集群分析分析了336名f-HP患者的回顾性队列.
- 包括人口统计,抗原暴露,成像,组织学,肺功能和并发症.
- 考克斯比例危险回归评估死亡率或每集群的LT风险.
主要成果:
- 出现了三个不同的f-HP集群:轻度限制 (n=158),具有可识别抗原的阻断生理 (n=46) 和中度至重度限制 (n=132).
- 集群2 (阻塞生理学) 与集群1 (HR 0.42,P=0.01) 相比,显示死亡率/LT风险显著降低.
- 集群3 (严重限制) 与集群1 (HR1.76,P=0.001) 相比,死亡率/LT风险显著增加.
结论:
- 无监督的集群分析揭示了三种不同的f-HP表型,死亡率和移植结果各不相同.
- 患有阻塞生理和可识别抗原的患者的生存率有所改善.
- 这种分类有助于预测纤维过敏性肺炎的预后.
