人工智能用于血栓形成的计算建模:弥合机理学见解和临床翻译
Mohamad Al Bannoud1,2, Tiago Dias Martins3, Silmara Aparecida de Lima Montalvão4,5
1School of Chemical Engineering, Laboratory of Optimization, Design, and Advanced Control, Universidade Estadual de Campinas, Campinas, São Paulo, Brazil. mohamad.bannoud@unifesp.br.
Journal of thrombosis and thrombolysis
|December 17, 2025
概括
机器学习 (ML) 和计算模型是理解血栓形成的新兴工具. 将这些方法结合起来,为血液静止疾病的个性化医学提供了有希望的见解.
科学领域:
- 生物医学工程 生物医学工程
- 计算生物学 计算生物学
- 数据科学在医学中的数据科学
背景情况:
- 血栓塞因其复杂性而带来了重大的医疗保健挑战.
- 数据驱动的数学和计算模型正在推动血液凝块形成研究.
- 将机器学习 (ML) 与计算方法集成,提供了协同作用的潜力.
研究的目的:
- 系统地审查结合计算模型和ML用于血栓瘤研究的研究.
- 评估混合ML计算方法在建模血块形成和凝血中的当前状态和未来潜力.
- 确定这个新兴领域的关键应用领域和挑战.
主要方法:
- 按照PRISMA方法的系统文献审查.
- 纳入标准:使用计算模型的研究,模拟血块形成/血栓生成,并结合ML算法.
- 对11项符合条件的研究进行分析,重点关注血小板信号传递,结果预测和多尺度建模.
主要成果:
- 十一项研究符合纳入标准.
- 常见的ML模型包括人工神经网络和支持矢量机器.
- 应用范围包括血小板信号传递,结果预测,血栓值,剪切率预测和多尺度建模.
结论:
- 在血栓瘤研究中,ML和计算模型的混合方法是有希望的,但是在芽的.
- 这些综合模型为改善血液静止疾病的诊断,预后和个性化治疗提供了潜力.
- 需要进一步的研究来增强模型的现实性,纳入患者数据,并解决精准医学的实施挑战.
