预测早产新生儿在腹腔内出血后的结果
Gabriel A Vignolle1, Priska Bauerstätter1, Silvia Schönthaler1
1Center for Health & Bioresources, Competence Unit Molecular Diagnostics, AIT Austrian Institute of Technology GmbH, 1210 Vienna, Austria.
International journal of molecular sciences
|October 16, 2024
概括
这项研究使用可解释的机器学习和蛋白质组学来预测出血后心室扩张 (PHVD) 在患有心室内出血 (IVH) 的早产新生儿中. 它确定了41种蛋白质标记物和妊娠年龄作为预测因素,有助于早期检测和家长咨询.
科学领域:
- 新生儿医学 新生儿医学
- 生物标志物发现发现
- 医疗保健中的机器学习
背景情况:
- 在早产新生儿的腹腔内出血 (IVH) 往往导致后出血腹腔扩张 (PHVD),这是一个严重的并发症,影响生存和长期的神经结果.
- 早期发现PHVD对于及时干预和知情的家长咨询至关重要.
- 目前预测早产婴儿PHVD的方法有限,需要新的方法.
研究的目的:
- 研究可解释机器学习 (ML) 模型的有效性,利用向液体活检蛋白质学数据来预测IVH早产新生儿的PHVD发展和存活率.
- 确定与PHVD和生存相关的新型和已知的蛋白质生物标志物.
- 通过可靠的预测工具,增强临床决策和家长咨询.
主要方法:
- 展望纵向队列研究分析了13年来99名早产新生儿的1109个液体活检样本.
- 应用各种可解释的ML技术 (统计,规范化,深度学习,决策树,贝叶斯) 来预测PHVD和生存.
- 用近距离延伸试验对血清和尿液样本进行向蛋白质组分析,以检测低度蛋白质.
主要成果:
- 确定了41个重要的独立蛋白质标记物和出生时的妊娠年龄作为PHVD发展和生存的预测因素,超过严格的性能值 (AUC-ROC≥0.7,灵敏度≥0.6,选择性≥0.6).
- 发现了既已确定的生物标志物,如神经丝光链 (NEFL) 和新型蛋白质标志物.
- 开发了超过1600个ML模型,证明了蛋白质组学和ML在新生儿结果预测中的潜力.
结论:
- 针对性蛋白质组学与可解释的ML相结合,为PHVD的早期预测和IVH早产新生儿的生存提供了一个有希望的途径.
- 鉴定的蛋白质标记物和ML模型可能会改善临床决策和家长支持.
- 需要进一步的验证研究才能将这些发现转化为常规的临床实践.
