基于机器学习的多模模式标记器使得高尿血症的早期检测和预后预测成为可能

科学领域:

• 代谢障碍 代谢障碍 代谢障碍
• 生物信息学是一种生物信息学.
• 机器学习 机器学习

背景情况:

• 超尿血症 (HUA) 是一种普遍存在的代谢障碍,具有漫长的无症状阶段,通常导致痛风和其他代谢并发症.
• 早期发现和预测HUA和痛风的风险对于及时干预和管理至关重要.
• 现有的诊断方法可能无法充分捕捉导致HUA及其后果的遗传和临床因素的复杂相互作用.

研究的目的:

• 开发和验证一种使用堆叠多式机器学习模型的超尿血症 (ISHUA) 的新型in-silico定量标志物.
• 评估ISHUA在检测HUA和预测痛风风险和相关代谢结果方面的表现.
• 研究生活方式因素对不同风险层的痛风和代谢结果的影响.

主要方法:

• 来自大型队列 (英国生物银行和南方医院) 的遗传和临床数据的整合.
• 开发和验证一个堆叠的多式联机机器学习模型来生成ISHUA.
• 统计分析以评估ISHUA与痛风和代谢结果的关联,并评估生活方式的影响.

主要成果:

• 在火车,内部和外部测试集中,ISHUA模型在HUA检测方面表现强 (AUC从0.779到0.859不等).
• 伊舒亚有效地将个人分为患痛风的低风险和高风险组 (AUCs ~0.81),并确定了高风险组对代谢结果的敏感性增加.
• 有利的生活方式概况与痛风和其他代谢结果的危险比率显著降低有关,特别是在高风险ISHUA组.

结论:

• 基于多式机器学习的ISHUA标记器提供了一个强大的工具,用于个性化的高尿血,痛风和相关代谢障碍的风险分层.
• 伊舒亚促进了对高风险个体的早期识别,使得有针对性的预防策略成为可能.
• 生活方式干预措施在减轻痛风和代谢风险方面是有效的,即使是在ISHUA确定的高风险人群中,这也强调了个性化,基于生活方式的管理的重要性.