狼性炎中的机器学习:将预测模型和临床决策与个性化科联系起来
Diego Fernando Garcia-Bañol1, Adrianny Mahelis Arias-Choles1, Silvia Aldana-Peréz1
1Facultad de Ciencias de la Salud, Centro de Investigaciones en Ciencias de la Vida, Universidad Simón Bolívar, Barranquilla, Colombia.
机器学习 (ML) 模型在预测,诊断和监测狼性炎 (LN) 中表现有前途. 临床整合需要进一步的研究,以改善患者的治疗结果.
科学领域:
- 腎臟病學 (nephrology) 是一種醫學專業.
- 免疫学 免疫学 免疫学
- 数据科学数据科学数据科学
- 人工智能的人工智能
背景情况:
- 狼性炎 (LN) 是系统性红斑狼 (SLE) 的严重表现,影响高达65%的患者.
- 疾病的过程是异质的,受复杂因素的影响,使得预测进展,反应和复发具有挑战性.
- 目前的治疗包括免疫抑制剂和皮质类固醇,预测结果的限制.
研究的目的:
- 综合机器学习 (ML) 应用在狼性炎 (LN) 的证据.
- 突出ML在改善LN诊断,监测和临床决策方面的潜力.
- 强调ML在实现个性化科方面的作用.
主要方法:
- 2015年至2024年4月使用PubMed.Med进行的研究的叙事综合.
- 搜索术语包括"狼性炎"或"LN"和"机器学习"或"人工智能"或"深度学习".
- 符合条件的研究将ML模型应用于LN以诊断,分类,预测爆发,治疗反应或预后.
主要成果:
- 不同的ML模型 (例如随机森林,神经网络) 应用于各种数据类型 (临床,实验室,成像,omics).
- ML模型在非侵入性组织学分类 (AUC高达0.98),爆发预测和风险分层方面表现高.
- 挑战包括小型数据集,缺乏外部验证和不一致的结果定义.
结论:
- ML模型提供了早期爆发检测,个性化治疗和LN的非侵入性监测的潜力.
- 临床整合需要强大的验证,电子健康记录的互操作性和透明的解释性.
- 弥合ML性能和临床应用之间的差距可以改善LN患者的结果和生活质量.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
09:16Supervised Machine Learning for Semi-Quantification of Extracellular DNA in Glomerulonephritis
Published on: June 18, 2020
相关概念视频
Nephrotic Syndrome III : Nursing Management
Chronic Kidney Disease III: Interprofessional Care
Nephrotic Syndrome II : Assessment and Medical Management
Combination Therapies and Personalized Medicine
The combination of the drug acetazolamide and sulforaphane is a good example of combination therapy to treat cancer. The cells in the interior of a large tumor often die due to the hypoxic and...
