使用遗传,环境和临床因素预测缺血性中风患者的功能结果:基于人口的前性队列研究的机器学习分析
Siding Chen1,2,3, Zhe Xu1,2, Jinfeng Yin1,2
1Department of Neurology, Beijing Tiantan Hospital, Capital Medical University, No. 119 South 4th Ring West Road, Fengtai District, Beijing 100070, China.
Briefings in bioinformatics
|October 14, 2024
概括
预测缺血性中风 (IS) 的功能结果对于患者护理至关重要. 整合遗传,环境和临床数据的新模型准确预测IS结果,改善风险分层,以获得更好的治疗.
科学领域:
- 神经学 神经学
- 遗传学 遗传学 是一个
- 数据科学数据科学数据科学
背景情况:
- 缺血性中风 (IS) 是成人残疾的主要原因,严重影响患者的生活质量.
- 准确预测IS后的功能结果对于有效的风险分层和治疗策略至关重要.
研究的目的:
- 开发和验证缺血性中风功能结果的预测模型.
- 整合遗传,环境和临床因素,以提高东亚人口的预测准确度.
主要方法:
- 利用来自第三中国国家中风登记处的7819名IS患者的数据.
- 进行全基因组关联研究 (GWAS) 以确定显著的遗传变异,包括rs11109607 (ANKS1B).
- 采用机器学习 (XGBoost) 来构建一个包含遗传,环境和临床因素的预测模型,对后勤回归进行验证.
主要成果:
- 与物流回归相比,XGBoost模型的预测性能优于物流回归 (AUC 0.818 与 0.756,P < .05).
- 该模型显著提高了用于预测IS功能结果的重新分类效率.
- 在ANKS1B中,GWAS确定了rs11109607作为与IS功能结果相关的关键遗传变异.
结论:
- 开发的预测模型为预测缺血性中风功能结果提供了一种全新的综合方法.
- 结合遗传,环境和临床数据可以提高预测准确度,为东亚人口提供有价值的见解.
- 这项研究强调了机器学习和多因素分析在个性化中风管理中的潜力.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
12:18A Machine Learning Approach to Design an Efficient Selective Screening of Mild Cognitive Impairment
Published on: January 11, 2020
7.5K
