基于代谢学和堆叠机器学习的人类深静脉血栓症诊断的新策略
Jie Cao1, Guo-Shuai An1, Rong-Qi Li1
1School of Forensic Medicine, Shanxi Medical University, Yuci District, Jinzhong, Shanxi 030600, People's Republic of China.
Analytical chemistry
|August 28, 2024
概括
诊断深静脉血栓症 (DVT) 是一个挑战. 这项研究将双重代谢学 (GC-MS和LC-MS) 与机器学习相结合,开发了一个高度准确的DVT诊断模型,改善了临床检测.
科学领域:
- 生物化学 生物化学
- 计算生物学 计算生物学
- 医学诊断 医学诊断 医学诊断
背景情况:
- 深静脉血栓症 (DVT) 带来了重大的临床挑战,影响了患者的发病率和死亡率.
- 目前对DVT的诊断方法在准确性和效率方面存在局限性.
- 代谢学和机器学习显示出改善疾病诊断的希望.
研究的目的:
- 研究双平台代谢学 (GC-MS和LC-MS) 的协同潜力,以提高DVT诊断.
- 使用先进的计算技术开发用于深静脉血栓的精确和准确的诊断模型.
- 创建一个用户友好的应用程序,用于在临床环境中自动化DVT诊断.
主要方法:
- 来自DVT患者的血清样本使用气体染色体质谱法 (GC-MS) 和液体染色体质谱法 (LC-MS) 进行了分析.
- 鉴定了不同的代谢物,并使用了SHapley添加式扩展 (SHAP) 来进行特征工程.
- 一个堆叠机器学习模型被开发和验证用于DVT诊断.
主要成果:
- 确定了61种差异性代谢物,其中22种被GC-MS检测到,39种被LC-MS检测到.
- 五个关键代谢物被使用SHAP选择用于模型开发.
- 开发的堆叠模型证明了深静脉血栓的高诊断准确性.
结论:
- 双平台代谢学显著扩大了对DVT分析的代谢物检测.
- 代谢学和机器学习的整合,特别是堆叠模型,为准确的DVT诊断提供了一种强大的方法.
- 创建了一个实用,用户友好的应用系统,以促进DVT诊断模型的临床采用.
