基于液体免疫蛋白的机器学习模型可以预测艾滋病毒感染者的非艾滋病不良事件
Thomas A Premeaux1, Scott Bowler1, Courtney M Friday1
1Division of Infectious Diseases, Department of Medicine, Weill Cornell Medicine, New York, NY, USA.
iScience
|May 30, 2024
概括
机器学习模型可以准确地识别艾滋病毒感染者的非艾滋病不良事件 (NAE). 支持载体机器 (SVM) 模型显示,在艾滋病毒管理中改善监测和潜在的治疗干预措施是有希望的.
科学领域:
- 免疫学 免疫学 免疫学
- 机器学习 机器学习
- 艾滋病毒 医学 艾滋病毒 医学
背景情况:
- 抗逆转录病毒疗法 (ART) 可以控制HIV,但不能消除非艾滋病不良事件 (NAE),如心血管疾病和恶性瘤.
- 免疫生物标志物可以预测NAE,但复合面板可以提供更好的准确性.
- 机器学习 (ML) 提供了一个开发NAE监控先进模型的机会.
研究的目的:
- 开发和评估ML模型,以对艾滋病毒感染者的NAE进行歧视.
- 评估人口统计,临床和血免疫蛋白数据的预测价值.
- 为了比较不同的ML算法对NAE歧视的性能.
主要方法:
- 采用了一个嵌套的病例控制研究设计.
- 使用了支持向量机 (SVM),极端梯度增强和K-最近邻近算法.
- 模型使用人口统计学,临床特征和30-50岁的个体的49个血免疫蛋白进行训练,在ART前和1年后测量ART.
主要成果:
- 在SVM模型中,在ART前和ART后的一年时间点中,在区分NAE方面实现了高准确性.
- 极端梯度增强也证明了高精度的前ART.
- 在所有评估条件中,K-最近的邻居表现不佳.
结论:
- ML,特别是SVM,显示出在艾滋病毒感染者中确切的NAE歧视的巨大潜力.
- 这些模型可能会增强疾病监测策略.
- 进一步的研究可以阐明NAE预防和管理的治疗目标.
