基于机器学习的生物标志物发现慢性病-矿物质和骨疾病 (CKD-MBD)
Yuting Li1,2,3, Yukuan Lou2,3, Man Liu2
1Geriatrics Department, Suzhou Kowloon Hospital, Shanghai Jiao Tong University School of Medicine, Suzhou, China.
BMC medical informatics and decision making
|February 5, 2024
概括
机器学习发现了慢性病-矿物质和骨疾病 (CKD-MBD) 的新生化标志物. 这些生物标志物有助于早期检测和了解CKD-MBD的分子机制.
科学领域:
- 腎臟病學 (nephrology) 是一種醫學專業.
- 生物化学 生化学
- 数据科学数据科学数据科学
背景情况:
- 慢性病-矿物质和骨疾病 (CKD-MBD) 呈现骨异常和血管化.
- 当前对CKD-MBD的诊断标准可能会在没有特定测试时受到限制.
- 需要可访问的替代生化标志物用于CKD-MBD诊断和机制研究.
研究的目的:
- 为了识别CKD-MBD的新型,易于获得的生物化学生物标志物.
- 探索机器学习在发现这些替代生物标志物的实用性.
- 调查新的生物标志物和现有的生物标志物之间的相关性,以获得机械洞察力.
主要方法:
- 分析了一组116名患有CKD-MBD亚型 (,,PTH异常) 的个人.
- 采用了六种机器学习预测方法和顺序前特征选择.
- 为模型验证,使用了114个样本的单独前性队列.
主要成果:
- 机器学习为每个CKD-MBD亚型和一般面板确定了简洁的生物标记面板.
- 在培训数据集中,ROC曲线下的最佳区域达到0.95.
- 在前数据集中的验证实现了ROC曲线下的面积为0.74.
结论:
- 这项研究开创了机器学习用于CKD-MBD生物化学标记物的发现.
- 已识别的生物标志物为早期CKD-MBD检测提供了潜力.
- 这些发现可能有助于理解CKD-MBD的分子基础.


