机器学习算法用于预测家族地中海热病中的菌素耐药性
Admir Öztürk1, Berkay Kılıç1, Murad Kucur2
1Medicine, Cerrahpasa Medical Faculty, University of Istanbul-Cerrahpasa, Turkey, Istanbul.
人工智能模型可以预测家族地中海热病 (FMF) 患者的素耐药性. 这种人工智能方法有助于早期识别和个性化治疗成年人患有FMF.
科学领域:
- 遗传学和免疫学 遗传学和免疫学
- 计算生物学是一种计算生物学.
- 类风湿病学 类风湿病学
背景情况:
- 家庭地中海热 (FMF) 是一种遗传性自身炎症性疾病.
- 科尔奇辛是标准治疗方法,但5-10%的成年患者表现出抗药性.
- 早期发现抗素耐药性对于有效管理至关重要.
研究的目的:
- 探索机器学习 (ML) 和深度学习 (DL) 算法的潜力,以预测成年 FMF 患者的菌素耐药性.
- 开发基于人工智能的模型,用于早期识别治疗耐药性.
- 促进FMF管理的个性化治疗策略.
主要方法:
- 对965名已成年FMF患者进行了回顾性分析,确认了基因诊断和随访.
- 特性选择包括突变类型,MEFV突变,关节炎,关节痛,诊断时的年龄和发作频率.
- 使用AUC指标开发和评估后勤回归和完全连接的神经网络模型.
主要成果:
- 后勤回归和深度学习模型都实现了0.79.7的曲线下面面积 (AUC).
- 科尔奇辛耐药性的重要预测因素包括同卵性突变类型,复发性关节炎,慢性关节痛,诊断年龄和发作频率.
- 这些因素突出了与治疗反应相关的关键临床和遗传指标.
结论:
- 基于人工智能的算法,特别是深度学习,显示出在预测成年FMF中的菌素耐药性的巨大潜力.
- 这些预测模型可以帮助临床医生及时做出治疗决策.
- 这些发现支持为抗素耐药的FMF患者开发量身定制的治疗方法.
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
08:04Identification and Classification of Position-specific GABAA Receptor Subunit Missense Variants for Their Role In Hippocampal Pyramidal Neurons
Published on: June 6, 2025
相关概念视频
Pharmacogenomics: Identification of New Drug Targets
Pharmacogenetic Phenotypes: Alterations in Pharmacokinetics, Drug Targets and Biologic Milieu
Pharmacogenetics of Drug Targets: β₂-Adrenergic Receptors, Apo E, Thymidylate Synthase
Drugs that Destabilize Microtubules
