机器学习共识集群用于脑卒中炎症亚型分析及其对死亡风险的影响:基于NHANES (1999-2018) 的研究
Zhang Chunjuan1, Wang Yulong1, Zhou Xicheng1
1Haiyan People's Hospital, Jiaxing, Zhejiang, China.
Frontiers in neurology
|April 25, 2025
概括
新的炎症标志物,中性粒细胞与血小板细胞的比率 (NPAR) 和全身免疫炎症指数 (SIRI) 预测中风患者的死亡风险. 机器学习识别了这些标记物,以改善患者分层和临床管理.
科学领域:
- 心血管研究研究心血管研究
- 炎症生物学 炎症生物学
- 机器学习在医学中的应用
背景情况:
- 在全球范围内,中风是导致死亡和残疾的主要原因.
- 炎症在中风病理生理学和结果中起着至关重要的作用.
- 来自全血细胞计 (CBC) 的新型炎症标志物为风险分层提供了潜在的可能性.
研究的目的:
- 应用无监督机器学习用于中风患者的炎症聚类.
- 评估已识别的炎症集群中的死亡风险.
- 开发用于中风患者临床管理的预后模型.
主要方法:
- 从中风参与者的美国NHANES数据 (1999-2018) 的横截面分析.
- 基于炎症标志物 (NPAR,SIRI) 的共识聚类来分层患者.
- 机器学习 (LASSO,WQS,Cox,XGBoost,随机森林,SVMRFE) 来识别预后标记并构建一个名ogram模型.
主要成果:
- 高的NPAR和SIRI水平与中风患者全因死亡风险增加有显著的相关性.
- 确定了两个炎症亚组:亚组2表现出更高的标志物水平和死亡风险.
- 使用NPAR和SIRI进行的预后诺米图显示了长期生存的强大预测性能.
结论:
- NPAR和SIRI是关键的预后炎症标志物,与中风死亡率有关.
- 通过NPAR和SIRI识别的炎症亚型可以指导风险分层.
- 对高NPAR和SIRI患者进行加强的监测可能会改善中风生存结果.
