使用无监督机器学习工具对阿尔法-1抗素缺乏症患者进行表征

科学领域:

• 医疗信息学 医疗信息学
• 遗传学 是一个遗传学.
• 肺部病理学 肺部病理学

背景情况:

• 阿尔法-1抗素缺乏症 (AATD) 是一种被诊断不足的遗传疾病,导致肺气和肝脏疾病.
• 临床异质性和个体变异性使AATD风险分层和个性化治疗复杂化.
• 人工智能 (AI) 和机器学习 (ML) 为新的AATD临床表征提供了潜力.

研究的目的:

• 探索应用ML用于AATD患者临床表征的可行性.
• 通过无监督学习将AATD患者细分为具有临床意义的集群.
• 评估在AATD中针对个性化医疗的ML驱动患者分层的潜力.

主要方法:

• 一项试点,单中心,横截面研究包括来自EARCO注册表的210名AATD患者.
• 使用无监督k-原型算法,根据临床和人口统计数据识别集群.
• 统计分析 (曼-惠特尼U,Chi-square) 将已识别的集群中的功能和临床差异进行比较.

主要成果:

• 根据临床和遗传资料确定了五个不同的患者群.
• 集群包括患有肺气,支气管切除,无症状基因型,伴随疾病的慢性肺炎和肝脏变异的患者.
• 在集群中观察到肺功能,AAT水平和并发症的显著差异.

结论:

• ML可以有效地将AATD患者细分为临床上有意义的子组.
• 这种由人工智能驱动的方法有望指导治疗决策并改善患者的随访.
• 基于ML的分层可以支持针对AATD的针对性,基于集群的多中心试验的设计.