基于循环生物标志物的模型的开发和验证,以区分症状自发的内动脉剖析
Peng Liu1,2, Xin Nie1, Bing Zhao3
1Department of Neurosurgery, China National Clinical Research Center for Neurological Diseases, Beijing Tiantan Hospital, Capital Medical University, Beijing, China.
Translational stroke research
|January 6, 2025
概括
研究人员确定了七种循环生物标志物来检测症状自发性内动脉剖析 (SIAD),这是年轻成年人中中风的主要原因. 使用这些生物标志物的机器学习模型可以准确地区分高风险的sIAD病例,帮助临床决策.
科学领域:
- 神经学 神经学
- 生物标志物发现发现
- 机器学习在医学中的应用
背景情况:
- 自发性内动脉解剖 (sIAD) 是年轻人中中风的主要原因.
- 准确识别症状性SIAD病例对于有效的治疗和管理至关重要.
- 目前的诊断方法可能无法完全捕捉sIAD进展的风险.
研究的目的:
- 使用循环生物标志物开发和验证症状性SIAD的预测模型.
- 确定与症状性SIAD相关的特定蛋白质和细胞因子.
- 改善早期检测和风险分层的SIAD.
主要方法:
- 未来收集SIAD组织和血清以发现生物标志物.
- 机器学习算法用于在发现和衍生队伍中识别重要的生物标志物.
- 在独立的纵向队列中验证模型,以评估预测性能.
主要成果:
- 参与免疫和炎症途径的七种生物标志物 (六种蛋白质,一种细胞因子) 在SIAD组织和血清之间显示出一致性.
- 开发的模型在导出队列中显示了症状性SIAD的高歧视性 (AUC,0.95).
- 该模型在验证队列中取得了强大的预测性能 (AUC,0.88).
结论:
- 七个循环生物标志物可以有效地识别症状性SIAD.
- 使用这些生物标志物的基于机器学习的模型在检测症状性SIAD时提供了高准确度.
- 这种基于生物标志物的方法可以显著帮助SIAD患者的临床决策.
