通过针对性蛋白质组学和机器学习算法识别的脑内出血的预后生物标志物
Shubham Misra1,2, Yuki Kawamura2,3, Praveen Singh4
1Department of Neurology, All India Institute of Medical Sciences, New Delhi, India.
PloS one
|June 3, 2024
概括
像UCH-L1和MMP-2这样的血清蛋白生物标志物可以预测脑内出血 (ICH) 患者的不良结果和死亡率. 机器学习模型,特别是随机森林,在改善ICH患者的预后准确性方面显示出希望.
科学领域:
- 生物化学 生物化学
- 蛋白质组学是指蛋白质组学.
- 神经学 神经学
背景情况:
- 在脑内出血 (ICH) 患者的早期预后对于有效的临床管理至关重要.
- 识别可靠的预后标记可以显著改善患者护理策略.
研究的目的:
- 调查22种血清蛋白生物标志物在预测ICH患者的治疗结果和死亡率方面的作用.
- 为了比较回归模型和机器学习算法的预测性能,用于ICH预后.
主要方法:
- 针对性蛋白质组学被用来评估来自150名ICH患者的血清样本中的22种蛋白质生物标志物.
- 糟糕的结果被定义为3-6的修改Rankin规模得分.
- 多变量后勤回归,考克斯回归和随机森林机器学习模型被用于预测.
主要成果:
- UCH-L1,α-2-宏球蛋白和Serpin-A11独立地预测了90天的糟糕结果.
- MMP-2预测了180天的不良结果,而IGFBP-3和MMP-9预测了90天和180天的死亡率.
- 随机森林模型在预测180天的不良结果和死亡率方面表现出卓越的表现.
结论:
- 血清蛋白生物标志物作为短期不良结果和ICH后死亡率的独立预测剂.
- 机器学习方法,特别是随机森林,提高了ICH预测模型的准确性.
- 进一步的多学科研究是有必要的,以完善ICH预后的预测能力.
