基于循环代谢生物标记物的机器学习算法可以更好地预测神经疾病
Liyuan Han1, Xi Chen2, Yue Wang3
1Key Laboratory of Diagnosis and Treatment of Digestive System Tumors of Zhejiang Province, Ningbo No 2 Hospital, Ningbo 315000, China; Center for Cardiovascular and Cerebrovascular Epidemiology and Translational Medicine, Ningbo Institute of Life and Health Industry, University of Chinese Academy of Sciences, Ningbo 315000, China.
概括
使用代谢生物标记物的新机器学习模型显著改善了与传统临床模型相比,对痴呆症,阿尔茨海默病和帕金森病的预测.
科学领域:
- 生物标志物和疾病预测
- 机器学习在神经病学中的应用
- 代谢学 代谢学 代谢学
背景情况:
- 像痴呆症,阿尔茨海默病 (AD) 和帕金森病 (PD) 这样的神经系统疾病 (NLD) 缺乏强大的预测模型.
- 目前的预测模型依赖于传统的风险因素,这些风险因素有局限性.
研究的目的:
- 开发和比较使用循环代谢生物标志物的机器学习算法,与用于预测痴呆症,AD和PD的临床风险因素模型进行比较.
- 评估通过结合代谢生物标志物的性能提升.
主要方法:
- 利用 eXtreme Gradient Boosting (XGBoost) 算法创建了三种模型:基于代谢生物标志物,基于临床风险因素和组合模型.
- 使用c-统计,净重新分类改进 (NRI) 和综合歧视改进 (IDI) 指数评估模型性能.
主要成果:
- 基于代谢生物标志物的模型显示出对痴呆症,AD和PD的优异预测性能.
- 结合代谢生物标志物显著提高了预测准确性,这在所有三种神经疾病中得到了积极的NRI和IDI值的证明.
结论:
- 利用循环代谢生物标志物的机器学习模型在预测痴呆症,AD和PD方面超过了传统的临床模型.
- 代谢生物标志物为提升神经疾病的早期检测和预测提供了一个有希望的途径.
