作为疾病严重程度和进展的预测生物标志物的细胞因子概况在工程石病:一种机器学习方法
Daniel Sanchez-Morillo1,2, Ana Martín-Carrillo1,2, Blanca Priego-Torres1,2
1Department of Automation Engineering, Electronics and Computer Architecture and Networks, School of Engineering, University of Cadiz, 11519 Cadiz, Spain.
Diagnostics (Basel, Switzerland)
|September 27, 2025
概括
细胞因子概况,包括IL-1RA和MCP-1α,可以预测工程石病 (ESS) 的进展. 机器学习模型准确地分类疾病的阶段和预测进展,帮助早期诊断和临床决策的职业肺部疾病.
科学领域:
- 职业医学 职业医学 职业医学
- 肺部医学 肺部医学
- 生物标志物发现发现
背景情况:
- 工程石 (ES) 病是一种新兴的职业肺部疾病,影响呼吸系统健康.
- 了解疾病进展和识别生物标志物对于管理工程石病 (ESS) 至关重要.
研究的目的:
- 分析细胞因子概况与工程石症 (ESS) 疾病严重程度/进展之间的关联.
- 评估细胞因子作为ESS进展和风险分层的潜在生物标志物.
- 评估机器学习模型来分类ESS阶段和预测进展.
主要方法:
- 一项纵向研究对72名工人进行了长达7年的工程石化 (ESS) 测试.
- 在四个时间点收集了肺功能和27种细胞因子的数据.
- 开发机器学习模型 (包括支持矢量机器) 来分类疾病阶段和预测进展.
主要成果:
- 39%的简单 (SS) 患者进展为渐进性巨型纤维化 (PMF).
- 在PMF患者中观察到IL-1RA,IL-8,IL-9和IFN-γ的升高水平.
- IL-1RA和MCP-1α水平与疾病持续时间和程度相关.
- 机器学习模型在分类疾病阶段方面达到83%的准确率,在预测疾病进展方面达到77%.
结论:
- 细胞因子作为反映炎症和监测ESS演变的动态生物标志物.
- 使用细胞因子配置文件的机器学习模型在ESS中显示出早期诊断和疾病管理的临床价值.
- 这些发现支持使用细胞因子分析和ML来指导工程石症的临床决策.
更多相关视频
03:38Unilateral Lung Volume Analysis Using Micro-CT for Enhanced Assessment of Pulmonary Fibrosis in Preclinical Models
Published on: June 20, 2025
846
06:22Machine Learning-Based Cough Tone Classification: Diagnostic Exploration of Chronic Obstructive Pulmonary Disease and Respiratory Tract Infections
Published on: September 19, 2025
434