基于脂质组的算法可以提高对阻塞性冠状动脉疾病的预测
Thomai Mouskeftara1,2, Olga Deda1,2, Theodoros Liapikos2
1Laboratory of Forensic Medicine and Toxicology, School of Medicine, Aristotle University of Thessaloniki, 54124 Thessaloniki, Greece.
脂管学分析确定了一个17个生物标志物小组,可以准确预测阻塞性冠状动脉疾病 (CAD). 这种机器学习方法为怀疑CAD的患者提供了更好的风险分层.
科学领域:
- 心血管研究研究心血管研究
- 代谢学 代谢学 代谢学
- 生物标志物发现发现
背景情况:
- 冠状动脉疾病 (CAD) 涉及复杂的代谢干扰.
- 脂组学在CAD中提供了个性化风险分层的潜力.
- 了解脂质物种的作用对于CAD管理至关重要.
研究的目的:
- 使用机器学习开发一种脂质面板,用于识别阻塞性CAD.
- 在怀疑CAD的患者中调查脂质配置文件.
- 为了提高冠状动脉疾病的诊断能力.
主要方法:
- 对CorLipid试验数据的后期分析.
- 研究了146名疑似患有CAD的患者的脂质资料.
- 使用XGBoost算法进行生物标志物面板识别.
主要成果:
- 确定了288种量化的脂类物种,包括甘油脂,甘油脂和脂.
- 在患有或没有阻塞性CAD的患者的脂质组之间观察到显著的歧视.
- XGBoost确定了一个17个生物标记面板 (脂质,加勒-3,葡萄糖,LDL,LDH),对阻塞性CAD具有100%的灵敏度.
结论:
- 识别的脂质面板显示了预测阻塞性CAD的高潜力.
- 这些发现支持了脂质代谢失调在CAD中的作用.
- 这种方法可能会导致新的治疗方法和改善CAD患者的风险分层.
更多相关视频
07:25Predicting Amputation using Local Circulating Mononuclear Progenitor Cells in Angioplasty-treated Patients with Critical Limb Ischemia
Published on: September 22, 2020
13:07Optical Coherence Tomography Based Biomechanical Fluid-Structure Interaction Analysis of Coronary Atherosclerosis Progression
Published on: January 15, 2022
相关概念视频
Pharmacogenomics: Identification of New Drug Targets
Coronary Artery Disease I: Introduction
Coronary Artery Disease IV: Preventive Measures
Atherosclerosis III: Management
