一项关于血代谢和机器学习的前性多中心研究,用于诊断早泄和预测达西丁治疗反应

科学领域:

• 代谢学 代谢学 代谢学
• 生物标志物发现发现
• 机器学习在医学中的应用

背景情况:

• 提前射精 (PE) 是一种常见的性功能障碍,对达博治疗的反应有所变化.
• 需要生物标志物来指导PE诊断和治疗.
• 显著的血代谢概况可以将PE患者与健康对照区分开来,并预测治疗结果.

研究的目的:

• 为了研究初级早泄 (PPE) 患者的血代谢概况.
• 开发基于机器学习 (ML) 的模型来诊断PPE.
• 创建ML模型来预测患者对达普丁治疗的反应.

主要方法:

• 来自69名PPE患者和51名健康对照 (HC) 的血样本的非向代谢分析.
• 使用小分子路径数据库和基因和基因组的京都百科全书进行路径丰富分析.
• 支持矢量机,随机森林和LASSO回归用于生物标志物查和模型开发的应用.
• 有针对性的代谢组学来量化神经递质水平.

主要成果:

• 代谢概况清楚地将PPE患者与HC患者分开,并预测了达西丁治疗反应.
• 氨基酸代谢,D-氨基酸代谢和氨酸生物合成途径在PPE中显著丰富.
• ML模型实现了高精度 (AUC>0.9) 诊断PPE和预测治疗反应.
• 在PPE患者中证实了神经递质的显著失调.

结论:

• 机器学习模型在诊断PPE和预测达博西丁治疗反应方面表现强.
• 独特的代谢特征和神经递质失调与PPE病理生理学有关.
• 这些发现支持基于ML的PE诊断和预测工具的潜在临床转化.