多队列研究测试SASKit-ML中风和PDAC预后模型管道对其他慢性疾病的概括性
Daniel Palmer1, Larissa Henze2,3, Hugo Murua Escobar2
1Institute for Biostatistics and Informatics in Medicine and Ageing Research, Rostock University Medical Center, Rostock, Germany.
BMJ open
|September 30, 2024
概括
SASKit-ML管道确定生物标志物,用于预测2型糖尿病和类风湿关节炎等慢性疾病的健康恶化,尽管性能因病情而异.
科学领域:
- 生物医学信息学是生物医学信息学.
- 机器学习在医疗保健中的应用
- 预测慢性疾病的预测.
背景情况:
- SASKit-ML管道是一个机器学习工具,用于预测健康状况恶化.
- 验证它在各种慢性疾病中的通用性对于临床应用至关重要.
研究的目的:
- 通过应用SASKit-ML管道来确定慢性疾病中健康恶化的生物标志物来验证SASKit-ML管道的通用性.
- 在2型糖尿病,炎症性肠道疾病,类风湿关节炎和各种癌症的纵向数据集上测试管道的预测性能.
主要方法:
- 利用了来自人类微生物组项目 (T2D,IBD),RA地图 (RA) 和癌症基因组图谱 (TCGA) 的公开可用的纵向数据集.
- 应用了预定义的数据集成和功能生成协议.
- 使用十倍交叉验证的随机生存森林来预测结果.
主要成果:
- 开发了T2D,RA,IBD和16种癌症健康恶化的预测模型.
- T2D和RA模型显示了适度的预测能力 (C指数分别为0.633和0.654).
- IBD模型没有信息;TCGA模型展示了各种各样的,通常是温和的,预测能力.
结论:
- SASKit-ML管道可以生成信息功能,用于预测多种疾病的健康恶化.
- 管道的预测性能是特定于疾病的,需要对某些条件进行进一步的优化.


