TY - T1的机器学习可以预测疾病表现和结果lymphangioleiomyomatosis JF -欧洲呼吸杂志》乔和J - 10.1183/13993003.03036 -2020欧元六世- 57 - 6 SP - 2003036 AU - Saisakul Chernbumroong AU -约翰逊Janice盟作者Nishant Gupta AU -苏珊米勒盟弗朗西斯x麦科马克AU -乔纳森·m·加里波第盟西蒙·r·约翰逊Y1 - 2021/06/01 UR - //www.qdcxjkg.com/content/57/6/2003036.abstract N2 -背景淋巴管平滑肌瘤病(LAM)是一种罕见的多系统疾病，具有不同的临床表现和不同的进展速度，使得管理决策和给予预后建议变得困难。我们使用机器学习来识别相关特征的集群，这些特征可用于对患者进行分层并预测个体的预后。患者和方法使用无监督机器学习，我们使用来自英国的173名LAM女性和来自美国国家心肺血液研究所(NHLBI) LAM登记处的186名复制受试者的数据生成患者群。前瞻性结果与聚类结果相关。结果建立了二聚类和三聚类模型。三聚类模型将一大组出现呼吸困难或气胸的受试者与另一组出现血管平滑肌脂肪瘤症状(p=0.0001)和结节性硬化症(TSC) (p=0.041)的患者分开。第三组患者年龄较大，未出现呼吸困难或气胸(p=0.0001)，肺功能较好。在NHLBI队列中也出现了类似的聚类。将患者分组可以预测未来结果:在双组模型中，未来气胸的风险为3.3 (95% CI 1.7-5.6)，组1比组2高3.3倍(p=0.0002)。使用三聚类模型，聚类2和聚类3对血管平滑肌脂肪瘤的干预需求低于聚类1 (p<0.00001)。 In the NHLBI cohort, the incidence of death or lung transplant was much lower in clusters 2 and 3 (p=0.0045).Conclusions Machine learning has identified clinically relevant clusters associated with complications and outcome. Assigning individuals to clusters could improve decision making and prognostic information for patients.Using machine learning, simple clinical information from women with LAM can be used to group individuals into clusters. Clusters have differing clinical features, levels of complications and survival, and may improve personalised care for LAM. https://bit.ly/2UVanYV ER -