提高家族高胆固醇血症潜在病例的检测:机器学习是否可以成为解决方案的一部分?
Christophe A T Stevens1, Antonio J Vallejo-Vaz1,2,3,4, Joana R Chora5,6
1Department of Primary Care and Public Health School of Public Health, Imperial College London London United Kingdom.
Journal of the American Heart Association
|June 15, 2024
概括
机器学习显著改善了家族高胆固醇血症 (FH) 的检测,这是一个常见但未被确诊的遗传疾病. 这种先进的方法提供了一个可扩展的工具,以识别更多患有FH引起变异的个体,以便及时预防心血管事件.
科学领域:
- 遗传学和生物信息学
- 心血管疾病研究研究
- 医疗保健中的人工智能
背景情况:
- 家族性高胆固醇血症 (FH) 是一种普遍存在的,诊断不足的单一性疾病.
- 诊断不足导致可预防的心血管事件的高负担.
- 改善病例发现对于减少FH相关的发病率和死亡率至关重要.
研究的目的:
- 评估机器学习算法,用于识别患有FH引起变异的个体.
- 将ML的性能与已建立的临床诊断和查标准进行比较.
- 为一般人群开发一个可扩展的查工具.
主要方法:
- 分析来自英国生物库参与者的整个外因组测序数据.
- 基于LDLR,APOB或PCSK9基因的致病变体的FH分类.
- 根据现有标准 (DICK,Simon Broome,DEAF,FACT) 开发和验证一个堆积集团机器学习模型.
主要成果:
- 一个堆叠组合模型实现了高预测性能 (AUC 79.12%,灵敏度 74.93%).
- 该ML模型在识别FH变种携带者方面超过了当前的临床诊断和查标准.
- 与FACT工具相比,ML方法减少了选所需的数量 (164对227).
结论:
- 机器学习为识别分子诊断的FH提供了更高的预测概率.
- 这为电子健康记录的实施提供了一个具有成本效益的,可扩展的工具.
- 可以加强对潜在的FH病例进行基因确认的优先考虑.
