通过GP1BA多态度的机器学习模型,在中国中风患者中预测实验室阿司匹林耐药性

科学领域:

• 遗传学 遗传学 是一个
• 心脏病学 心脏病学
• 机器学习 机器学习

背景情况:

• 抗阿司匹林 (AR) 是中风患者的临床挑战.
• 遗传因素,包括GP1BA和LTC4S等基因中的单核酸多态 (SNPs),可能会影响AR.
• 需要个性化医疗方法来优化抗血小板治疗.

研究的目的:

• 开发和验证一种机器学习模型,用于预测中国中风患者的实验室阿司匹林耐药性.
• 调查GP1BA (rs6065) 和LTC4S (rs730012) 中患者特征和SNP与阿司匹林耐药性的关联.
• 探索GP1BA rs6065基因型作为阿司匹林反应的预测标记物的潜力.

主要方法:

• 分析了2405名患者,以确定GP1BA rs6065和LTC4S rs730012的突变频率.
• 预计将112名患有首次中风动脉静脉瘤的患者招募到机器学习模型开发中.
• 使用简单的线性回归,随机森林 (RF) 和极端梯度提升 (XGBoost) 进行分析和预测.

主要成果:

• 对于GP1BA rs6065和LTC4S rs730012的突变频率分别为5.26%和14.78%.
• 与CC基因型相比,GP1BA rs6065 CT基因型与阿司匹林敏感性增加有关.
• 年龄,吸烟,HDL水平和GP1BA rs6065是通过线性回归识别的显著预测因素.
• 射频和XGBoost模型显示出对阿司匹林耐药性的预测能力.

结论:

• 机器学习模型可以有效地预测中风患者的阿司匹林耐药性.
• GP1BA rs6065基因型是预测阿司匹林反应的潜在生物标志物.
• 预先识别GP1BA rs6065状态可以为中风患者指导个性化阿司匹林治疗策略.