机器学习模型预测了多发性狼性炎的风险
Panyu Yang1,2,3,4, Zhongyu Liu1, Fenjian Lu5
1Department of Laboratory Medicine, West China Biomedical Big Data Center, West China Hospital, Sichuan University, Chengdu, China.
Frontiers in immunology
|June 26, 2024
概括
机器学习模型可以预测狼性炎患者的扩散性狼性炎 (PLN). 这提供了一个非侵入性的诊断替代品,当脏活检是不可行的,识别关键生物标志物用于早期检测.
科学领域:
- 腎臟病學 (nephrology) 是一種醫學.
- 免疫学 免疫学 免疫学
- 数据科学数据科学数据科学
背景情况:
- 系统性红斑狼 (SLE) 可以导致狼性炎 (LN),这是一个严重的并发症.
- 扩散性狼性炎 (PLN) 需要及时诊断和治疗,以预防功能衰竭.
- 脏活检,PLN诊断的黄金标准,是侵入性的,并带有风险.
研究的目的:
- 开发和验证用于预测PLN发生的机器学习 (ML) 模型.
- 为了确定PLN诊断的潜在的非侵入性生物标志物.
- 为患有损的SLE患者提供活检的可靠替代方案.
主要方法:
- 从1312名LN患者 (2011-2021) 的临床和实验室数据的回顾性分析.
- 开发9个ML模型 (逻辑回归,SVM,决策树,随机森林) 使用培训队列 (70%) 和测试队列 (30%) 的验证.
- 使用ROC曲线,校准曲线和决策曲线分析 (DCA) 评估诊断性能.
主要成果:
- 七个ML模型在测试队列中显示出出色的区分能力.
- 随机森林模型实现了最高的AUC (0.880),表明强大的预测能力.
- 关键预测因素包括抗dsDNA抗体,补充水平,血清肌素和尿路参数,以及新的指标,如血清化物和cystatin C.
结论:
- ML模型为SLE患者的PLN预测提供了强大的,非侵入性的方法.
- 该研究强调了传统和未充分利用的生物标志物对 PLN 诊断的有用性.
- 这些发现支持开发可访问的诊断工具,用于治疗狼性炎.
