协同生物物理和机器学习建模,以快速预测心脏生长概率
Clara E Jones1,2, Pim J A Oomen1,2
1Department of Biomedical Engineering, University of California, Irvine, CA 92697, USA.
bioRxiv : the preprint server for biology
|August 2, 2024
概括
这项研究提供了一个高效的计算框架,用于预测心脏回 (MVR) 后心脏生长概率. 这种新的方法结合了生物物理学和机器学习,以实现更快,更准确的患者特定预测.
科学领域:
- 计算生物学是一种计算生物学.
- 心血管研究的心血管研究.
- 生物医学工程 生物医学工程
背景情况:
- 目前用于心脏生长的计算模型由于校准和数据变化,耗时且不适合临床使用.
- 预测心脏生长和重塑对于了解心脏病进展和开发治疗方法至关重要.
研究的目的:
- 开发一个高效的计算框架来预测心脏生长概率.
- 为了能够快速模拟心脏成长后的额头回 (MVR).
主要方法:
- 利用生物物理模型模拟MVR后的心脏生长.
- 开发了一种双层贝叶斯历史匹配方法,与高斯过程模拟器一起进行高效的参数校准.
- 使用合成和独立的狗MVR数据验证了框架.
主要成果:
- 该框架在95%的置信区间内准确预测了心脏生长概率.
- 证明了框架的准确性和数据不确定性对使用合成数据集的预测的影响.
- 通过独立的犬类MVR数据成功验证了该模型的预测能力.
结论:
- 拟议的生物物理和机器学习框架有效预测心脏生长概率.
- 这种方法可以用于患者特定的心脏生长预测.
- 解决了临床环境中对计算效率高的模型的需求.
