基于机器学习的痛风预测使用多基因风险得分和临床变量:一项韩国队列研究

科学领域:

• 遗传学和基因组学 遗传学和基因组学
• 计算生物学是一种计算生物学.
• 流行病学 流行病学

背景情况:

• 痛风的患病率在全球范围内不断增加.
• 多基因风险评分 (PRS) 显示出预测痛风结果的潜力.
• 在疾病预测中PRS的临床实用性需要进一步研究.

研究的目的:

• 利用遗传和临床数据开发用于痛风预测的机器学习 (ML) 模型.
• 评估不同的ML算法在痛风预测中的性能.
• 评估PRS和传统风险因素对痛风预测的贡献.

主要方法:

• 利用了来自韩国基因组和流行病学研究的数据.
• 开发并比较了五种监督的ML模型:物流回归,随机森林 (RF),决策树,极端梯度增强和光梯度增强.
• 包括多基因风险评分 (PRS),尿酸,生活习惯和代谢综合征 (MetS) 概况作为预测因素.

主要成果:

• 整合PRS,年龄,性别,MetS和尿酸的RF模型实现了最高的预测性能 (AUC = 0.7204).
• 尿酸水平被确定为最重要的预测因素,其次是PRS和年龄.
• PRS显示对ML模型对痛风的预测能力产生了适度但积极的影响.

结论:

• 将遗传数据 (PRS) 与临床变量相结合,可以提高痛风预测的准确性.
• 传统的风险因素,特别是尿酸水平,对于痛风预测仍然非常重要.
• 需要进一步的研究来优化PRS在不同人群中的实用性,以便有效地治疗痛风.