可解释人工智能的临床部署:弥合常规临床测试和孕产前风险分层的蛋白质签名
Yuting Guo1,2, Yuchao Liang1,2, Ming Liu1,2
1State Key Laboratory of Reproductive Regulation and Breeding of Grassland Livestock, School of Life Sciences, Inner Mongolia University, Hohhot, 010021, China.
Current drug targets
|October 14, 2025
概括
使用机器学习模型改进了孕前的诊断,这些模型分析了例行实验室测试和蛋白质组数据. 一个新的预测系统提高了早期检测和准确性,为这一主要原因的孕产妇死亡率.
科学领域:
- 产科和妇科 产科和妇科
- 生物标志物发现发现
- 医疗保健中的机器学习
背景情况:
- 孕前炎症 (PE) 是全球孕产妇死亡的一个重要原因,影响了5%的第一次怀孕.
- 在PE的临床异质性需要提高诊断准确性和新的生物标志物.
- 目前的诊断方法,如蛋白尿 (PRO) 测试,需要进行定量评估和改进.
研究的目的:
- 量化评估阳性蛋白尿 (PRO) 在孕前 (PE) 的诊断效率.
- 开发和比较用于PE预测的机器学习模型,使用常规临床实验室测试 (RCLTs) 和蛋白质组数据.
- 为了确定新的蛋白质生物标志物,以提高PE诊断.
主要方法:
- 利用了1215名孕妇和362名外围血液蛋白质样本的数据.
- 应用和评估了5种用于PE预测的机器学习模型.
- 执行特征选择,以确定实际预测模型的关键RCLT.
主要成果:
- 机器学习对PRO的评估结果是AUROC为0.771.
- 整合66个RCLT提高了PE预测准确度,AUROC为0.920.
- 开发了一个使用5个RCLT (PRO,ALP,AMY,UA,LDH) 的高级模型;确定EphA1作为潜在的蛋白质生物标志物.
结论:
- 使用常规临床数据和机器学习开发了一个具有成本效益的PE预测系统.
- 该研究量化评估了蛋白尿的诊断效率,并确定了关键的预测特征.
- 建立了一个可解释的网络服务器,以帮助早期检测PE并提高诊断准确度.
更多相关视频
07:08A High Throughput, Multiplexed and Targeted Proteomic CSF Assay to Quantify Neurodegenerative Biomarkers and Apolipoprotein E Isoforms Status
Published on: October 20, 2016
8.2K
07:51Hydra, a Computer-Based Platform for Aiding Clinicians in Cardiovascular Analysis and Diagnosis
Published on: September 26, 2018
8.0K