预测肺移植中的初级移植功能障碍:机器学习引导的生物标志物发现

科学领域:

• 移植免疫学 移植免疫学
• 发现生物标志物的发现.
• 机器学习在医学中的应用

背景情况:

• 主要移植功能障碍 (PGD) 是肺移植后的一个严重并发症.
• 了解PGD病理生理学对于开发预测性护理点诊断至关重要.
• 对生物样本的多重分析可以识别PGD风险因素.

研究的目的:

• 使用多重方法识别初级移植功能障碍 (PGD) 的预测生物标志物.
• 评估不同的生物样本来源 (捐赠者肺 perfusate,支气管支气管洗液,血) 用于PGD预测.
• 开发用于早期PGD风险分层的机器学习模型.

主要方法:

• 从捐赠者肺透液,支气管支气管洗液 (BAL) 液 (2小时) 和双边肺移植接受者的血 (2小时和24小时) 收集患者匹配的生物样本.
• 在所有生物标本上使用了71个分析物多重组面板.
• 应用交叉验证的物流回归 (LR) 和随机森林 (RF) 机器学习模型,以区分PGD等级0和3.

主要成果:

• 移植后2小时的支气管洗液 (BAL) 显示了PGD的最高预测性能 (LR:0.825,RF:0.919).
• 对临床数据,BAL液和血的综合分析实现了完美的分辨率 (LR: 1.000,RF: 1.000).
• 鉴定出介质素-1受体对抗剂 (IL-1RA),B细胞吸引化学激素1 (BCA-1) 和折素是严重PGD的关键预测因子.

结论:

• 移植后2小时收集的支气管洗液 (BAL) 是严重PGD的强烈预测因素.
• 机器学习识别了与PGD相关的新型细胞因子和对点诊断小组的潜在分析物.
• 这种方法有助于早期识别患有严重PGD高风险的患者.