抽象的
背景淋巴胆管瘤症(LAM)是一种罕见的多系统疾病,具有可变的临床表现和不同的进展率,使管理决策并赋予预后建议困难。我们使用机器学习来识别可用于分层患者的相关特征的集群,并预测个人的结果。
患者和方法使用无监督的机器学习,我们使用来自英国和186名复制科目的173名妇女的数据生成患者群,来自美国国家心脏,肺和血液研究所(NHLBI)LAM登记处的林。前瞻性结果与集群结果有关。
结果开发了两组和三集群模型。三簇模型将一大群受试者分离出患有呼吸困难或气胸的血液血肿症状高患病率(p = 0.0001)和肿块硬化复合物(TSC)(P = 0.041)。第三簇患者年龄较大,从未呈现过呼吸困难或气胸(P = 0.0001)并具有更好的肺功能。在NHLBI队列中复制了类似的簇。将患者分配给群集预测的前瞻性结果:在双簇模型中,气胸的未来风险为3.3(95%CI 1.7-5.6) - 比簇2更大(P = 0.0002)。使用三簇模型,植入血管素干预的需要簇2和3的簇1(P <0.00001)。在NHLBI队列中,死亡或肺移植的发生率在簇2和3的簇中得多得多(p = 0.0045)。
结论机器学习已经确定了与并发症和结果相关的临床相关簇。将个人分配给集群可以改善患者的决策和预后信息。
抽象的
使用机器学习,林妇女的简单临床信息可用于将个体分成群集。群集具有不同的临床特征,并发症水平和生存水平,并可以改善LAM的个性化护理。https://bit.ly/2uvanyv.
脚注
本文提供了补充材料www.qdcxjkg.com.
数据共享:美国国家心脏,肺和血液研究所的解除识别的参与者数据可从国家疾病研究交汇处获得(https://ndraysource.org.)根据他们的条款请求。当前英国队列的个人级别数据,即使在匿名时,也可能在社区内识别,并且没有提供。运行群集协议的代码可在github上使用(www.github.com/nmpn/lam-stratification.)没有限制。
作者贡献:S. Chernbumroong和J.M.Garibaldi进行了机器学习分析。J. Johnson提取临床数据。S.米勒进行了实验室分析。F.x.麦考克和N.Gupta分析并提供了NHLBI生存数据。S.R.约翰逊设想了这项研究,获得了资金,看到了英国患者,进行了数据分析并写了稿件。所有作者均致力于最终手稿。
利益冲突:S. Chernbumroong没有什么可披露的。
利益冲突:J. Johnson没有什么可披露的。
利益冲突:N.Gupta没有披露。
兴趣冲突:S. Miller报道英国肺基金会的赠款,外面提交的工作。
利益冲突:F.X.麦考克斯没有任何东西可以披露。
利益冲突:J.M.Garibaldi无需披露。
利益冲突:S.R.约翰逊报告了国家卫生研究所,LAM基金会和LAM行动研究所的补助金;咨询委员会的个人费用从辉瑞公司工作,在提交的工作之外。
支持声明:该研究由诺丁汉医学研究委员会/工程和物理科学研究委员会分子病理节点和国家卫生研究所珍稀疾病翻译研究联盟。本文的资金信息已存入CrossRef Resder注册表。
- 已收到2020年8月5日。
- 公认2020年11月17日。
- 版权所有©ers 2021.用于再现权限和权限联系权限{exernet.org