利用代谢物作为血清生物标志物用于使用机器学习预测肝脏移植病理
Cristina Baciu1, Soumita Ghosh1, Sara Naimimohasses1
1Ajmera Transplant Program, University Health Network, Toronto, ON M5G 2C4, Canada.
Metabolites
|May 24, 2024
概括
结合血清代谢物和临床数据的新型机器学习模型显示,它对非侵入性诊断肝移植移植移植损伤充满希望. 这种生物标志物工具可以帮助识别与代谢功能障碍相关的脂肪肝炎,T细胞介导排斥和胆道并发症.
科学领域:
- 肝病学 肝病学是一种肝病学.
- 移植免疫学 移植免疫学
- 生物标志物发现发现
背景情况:
- 肝移植 (LT) 接受者经常经历移植损伤,影响超过50%的患者.
- 目前用于移植损伤的诊断方法缺乏非侵入性生物标志物,因此需要改进方法.
- 区分代谢功能障碍相关的脂肪肝炎 (MASH),T细胞媒介排斥 (TCMR) 和胆道并发症在临床上具有意义.
研究的目的:
- 开发一种非侵入性血清生物标志物,用于诊断肝移植移植的移植损伤.
- 使用机器学习将血清代谢概况与临床变量结合起来.
- 在LT接受者中区分MASH,TCMR和胆道并发症.
主要方法:
- 分析了55名带有MASH,TCMR或胆道并发症的LT接受者的血清样本.
- 液体染色学-并联质谱学 (LC-MS/MS) 用于代谢分析.
- 一个多类机器学习分类器整合了代谢学数据和临床变量.
主要成果:
- 机器学习模型在分类移植病理方面取得了79.66%的整体准确性.
- 该模型在识别MASH (7.4%OOB误差) 中显示出高精度,胆道 (22.2%) 和TCMR (29.6%) 并发症的精度较低.
- 血清素和血清素被确定为关键的预测代谢物,对二进制结果预测具有显著的曲线下面面积 (AUC) 值 (0.882-0.972).
结论:
- 一个利用血清代谢物和临床数据的集成机器学习工具显示了作为肝移植移植病理学的非侵入性多类生物标志物的潜力.
- 这种方法为改善肝移植受体中移植损伤的诊断和管理提供了有希望的途径.
- 需要进一步验证,以便在临床实践中将该工具用于肝移植移植的监测.
