冠状动脉斑块症状表型的生物医学知识图:基于机器学习的真实世界临床数据分析

科学领域:

• 生物医学信息学是生物医学信息学.
• 医学中的人工智能
• 心血管研究的心血管研究.

背景情况:

• 冠状动脉斑块是心血管事件的主要原因,由于非特异性症状,呈现出诊断挑战.
• 整合不同的数据源对于理解复杂的疾病机制至关重要.
• 知识图为数据集成和可视化提供了强大的框架.

研究的目的:

• 开发一种生物医学知识图表,以可视化冠状动脉斑块特性,分子机制和临床症状之间的关系.
• 确定关键的分子参与者和参与斑块发育和症状呈现的途径.
• 评估已识别的分子特征的诊断潜力.

主要方法:

• 从电子健康记录中提取患者的症状.
• 使用临床和蛋白质-蛋白质相互作用数据构建表型网络.
• 应用机器学习技术 (CNN,迪克斯特拉的算法,基因本体学) 用于特征量化.
• 训练了一个K-最近邻居模型进行预测.
• 使用加权相关联网络分析和路径丰富分析.
• 进行同表达分析和免疫细胞透分析进行验证.

主要成果:

• 开发了一个知识图模型,整合了临床和分子数据.
• 确定了23个症状,41个关联规则和61个与斑块特性相关的枢纽基因.
• 在预测斑块特征方面达到92.5%的曲线下面积 (AUC).
• 发现了与脂质状况相关的基因和与炎症相关的途径,有助于斑块异质.
• 验证了枢纽基因的诊断价值和已识别的途径的可靠性.

结论:

• 生物医学知识图有效地整合了临床和分子数据,以阐明疾病机制.
• 该模型提供了对冠状动脉斑块症状和属性的分子基础的见解.
• 这种方法有可能改善心血管疾病的诊断和理解.