细菌性肺炎的特定诊断模型是通过结合多个omics和多个机器学习模型来构建的

科学领域:

• 生物化学 生物化学
• 基因组学就是基因组学.
• 机器学习 机器学习

背景情况:

• 细菌性肺炎 (BPs) 的准确诊断具有挑战性,需要新的生物标志物.
• 区分BP与非细菌性肺炎 (NBPs) 对于有效治疗至关重要.

研究的目的:

• 发现细菌性肺炎 (BPs) 的特定生物标志物.
• 开发一种基于机器学习的诊断模型,用于BPs.

主要方法:

• 来自45名BP和35名NBP患者的血清样本接受了miRNA,蛋白质组和代谢组测序.
• 通过剖析,确定了8种潜在的生物标志物.
• 六个机器学习算法 (LR,RF,SVM,XGBoost,LightGBM,ExtraTree) 用于模型开发.

主要成果:

• 八个候选生物标志物在BP中被选,以检测它们的诊断潜力.
• 后勤回归 (LR) 模型实现了0.892.2的最高AUC.
• 对于BP诊断,LR模型表现出0.769的灵敏度和0.900的特异性.

结论:

• 这项研究确定了8种细菌性肺炎 (BPs) 诊断的潜在生物标志物.
• 为BP建立了使用后勤回归的可靠诊断模型.