基因组和临床数据的综合深度学习,用于预测新诊断患者的治疗反应

科学领域:

• 神经学 神经学
• 遗传学 是一个遗传学.
• 人工智能的人工智能

背景情况:

• 是一种常见的神经系统疾病,治疗反应在个体之间有很大差异.
• 目前的一线治疗包括抗发作药物 (ASM),但选择通常依赖于试错过程.
• 遗传变异越来越被认为是影响ASM疗效的潜在因素.

研究的目的:

• 开发和验证一种多式联络深度学习模型,用于预测新诊断的ASM初始反应.
• 整合临床和基因组特征,以提高预测准确度.
• 探索个性化医疗在治疗中的潜力.

主要方法:

• 利用澳大利亚和国际队列 (人类项目1) 新诊断的患者的数据.
• 纳入了16种临床因素和4种类型的基因组特征,包括影响转录因子结合的特征.
• 采用各种机器学习架构和多式联络融合策略来预测1年内自由度.

主要成果:

• 结合临床和基因组数据的多式深度学习模型在开发队列中,与仅临床模型 (AUC 0.67) 相比,实现了更高的预测性能 (AUC 0.74).
• 外部验证证实了该模型的有效性,多模式模型的AUC为0.69,仅临床模型的AUC为0.62.
• 该模型预测,如果患者根据预测接受排名最高的ASM,无发作概率可能从47.2%增加到68.05%.

结论:

• 将基因组数据与临床特征相结合,可以显著改善预测中ASM反应的预测.
• 这种多模式深度学习方法对新诊断的患者个性化ASM选择具有前途.
• 这些发现表明,通过数据驱动的治疗策略,有可能提高临床结果.