机器学习以表型疼痛和预测疼痛干预措施的反应,在年轻的成年人与易怒肠综合征

科学领域:

• 胃肠病学 胃肠病学
• 遗传学 遗传学 是一个
• 心理学 心理学 心理学
• 计算生物学 计算生物学

背景情况:

• 刺激性肠综合征 (IBS) 是一种常见的疾病,具有令人虚弱的疼痛,需要个性化治疗方法.
• 目前对IBS疼痛的自我管理策略显示出因疾病的复杂多因素性质而具有可变的有效性.
• 迫切需要预测模型来有效地定制IBS管理策略.

研究的目的:

• 开发和验证机器学习模型,用于预测IBS患者的疼痛严重程度,疼痛干扰和生活质量 (QOL).
• 确定IBS疼痛和治疗反应的关键预测因子,涉及多个领域,包括遗传学,生理学,微生物组,心理社会因素和饮食.
• 建立一个多主题框架,以推进IBS护理中的精准医学.

主要方法:

• 一个随机对照试验的辅助分析,涉及80名患有IBS的年轻成年人.
• 应用贝叶斯增量回归树 (BART) 机器学习算法来创建27个预测模型.
• 包括各种预测因素:遗传学 (例如,COMT rs4680),定量感官测试,肠道微生物群,心理社会评估 (例如,疼痛灾难化) 和食物摄入数据.

主要成果:

• 高模型性能,曲线下的面积 (AUC) 值从0.753到0.981.98不等.
• 最重要的遗传预测因子是COMT rs4680多态,其次是ADRA1D rs1556832.
• 机械疼痛值预测了疼痛严重程度,而疼痛灾难性强烈影响了疼痛干扰和QOL. 肠道微生物群和饮食也是重要的预测因素.

结论:

• 一个全面的多学科框架有效地解释了IBS疼痛和治疗结果的个体变化.
• 已识别的预测因子为开发IBS个性化医疗方法提供了实际基础.
• 根据个体患者个人资料定制自我管理策略可能会改变IBS护理.