通过机器学习,通过代谢和脂质分析以及临床特征,通过机器学习预测胎盘积分谱障碍.
Sarah Miller1, Deirdre Lyell, Ivana Maric
1Division of Maternal Fetal Medicine, Department of Obstetrics and Gynecology, Brigham and Women's Hospital, Boston, Massachusetts; the Division of Maternal Fetal Medicine, Department of Obstetrics and Gynecology, the Department of Pediatrics, the Metabolic Health Center, the Division of Pediatric Surgery, Department of General Surgery, the Department of Genetics, the Department of Anesthesiology, Peri-operative, and Pain Medicine, and the Department of Biomedical Data Science, Stanford University School of Medicine, Stanford, and the Department of Physiology and Membrane Biology, University of California, Davis, Davis, California; and the Division of Maternal Fetal Medicine, University of Utah Health, Salt Lake City, Utah.
代谢和脂质学分析显示了与临床风险因素类似的预测性表现,用于使用机器学习预测胎盘增殖谱 (PAS). 这些先进的分析在识别PAS风险方面并没有超过传统的临床特征.
科学领域:
- 产科和妇科 产科和妇科
- 生物标志物发现发现
- 计算生物学 计算生物学
背景情况:
- 胎盘增生谱 (PAS) 是一种高风险的产科并发症.
- 准确预测PAS对于改善母亲的结果至关重要.
- 目前的预测方法严重依赖于临床特征.
研究的目的:
- 调查代谢和脂质组分析对预测PAS的有用性.
- 为了确定潜在的血生物标志物PAS.
- 为了比较机器学习模型的预测性能,将临床数据与omics配置文件集成在一起.
主要方法:
- 一个多中心病例控制研究,涉及PAS患者和对照.
- 从第三个三个月的血样本被分析使用非向的代谢学和向的脂管学.
- 机器学习模型 (弹性网) 使用临床特征,omics数据和集成数据集进行训练.
主要成果:
- 虽然单变量分析发现了许多相关的脂质和代谢物,但在调整后,这些并没有保持显著.
- 仅使用临床特征,脂组学或代谢学的机器学习模型显示了可比的预测性能 (AUC范围从0.685到0.71).
- 将代谢和脂质组数据与临床特征相结合并没有显著改善PAS预测的准确性.
结论:
- 使用机器学习分析的代谢和脂质分析,与单独的临床风险因素相比,对PAS没有更好的预测价值.
- 可能需要进一步的研究来确定特定的OMIC生物标志物或完善PAS预测的分析方法.
更多相关视频
11:02Identification and Quantification of Deranged Metabolites in Critically Ill Patients Using NMR-Based Metabolomics
Published on: November 29, 2024
06:16Author Spotlight: Unraveling the Pathogenesis of Age-Related Macular Degeneration and Discovering Potential Therapies
Published on: July 28, 2023