使用综合特征集进行手术复原性慢性鼻炎的预测建模
Xindong Zheng1, Yifei Wu1, Yuankai Huo1,2,3
1Department of Computer Science, Vanderbilt University, Nashville, TN, USA.
Ear, nose, & throat journal
|October 31, 2025
概括
机器学习模型可以使用临床和炎症数据预测慢性鼻炎 (CRS) 患者的结果. 整合多种数据类型,特别是细胞因子和化学因子,可以提高CRS亚型的分类精度,有助于手术规划.
科学领域:
- 免疫学 免疫学 免疫学
- 耳鼻喉科 耳鼻喉科 耳鼻喉科
- 计算生物学 计算生物学
背景情况:
- 慢性鼻炎 (CRS) 是一种复杂的炎症状况,治疗反应各异.
- 准确的患者分层进行修复手术是具有挑战性的,因为疾病异质性.
研究的目的:
- 将机器学习 (ML) 应用于临床和炎症数据,以对接受修复手术的CRS患者进行分类.
- 确定哪些数据类型最有效地预测反抗性的CRS.
主要方法:
- 利用了634名CRS患者的数据,将特征分类为组织病理学,细胞因子/化学因子,人口统计,并发症和药物.
- 采用随机森林 (RF) 分类器,使用一次性交叉验证,对个人和组合特征集进行培训.
主要成果:
- 对于没有鼻息肉的CRS (CRSsNP),细胞因子/化学因子标志物显示出最高的预测准确性.
- 对于带有鼻息肉的CRS (CRSwNP),将细胞因子/化学因子标记物与乙酸/中性酸标记物结合在一起,产生了最佳的性能.
- 整合多个特征集显著改善了整体分类模型的性能.
结论:
- 多模式数据集成大大提高了CRS患者手术史的预测建模.
- 这些发现强调了结合多种数据的价值,以提高CRS管理中的ML模型准确性.
- 这项研究为开发更精确的CRS临床ML工具提供了基础.
