PT-Journal文章Au - 菲律热报，妮可Au - 戴维斯，Gwyneth Au - Main，Eleanor Au - Sebire，Neil J. Au - Wallis，Colin Au - Ratjen，Felix Au - Stanojevic，Sanja Ti-Stanojevic，Sanja Ti - 无监督的表型集群确定临床状态在囊性纤维化辅助症的儿童 - 10.1183 / 13993003.02881-2020 DP - 2021 8月01日 - 欧洲呼吸期刊PG - 2002881 VI - 58 IP - 2 4099 - //www.qdcxjkg.com/content/58/2/2002881.short 4100 - //www.qdcxjkg.com/content/58/2/2002881.full so - 欧元reshir J2021 8月01日;58 - 背景囊性纤维化（CF）是一种多系统疾病，其中仅基于肺功能的疾病严重程度的评估可能不合适。该研究的目的是开发一种综合机器学习算法，以评估患儿肺功能独立于肺功能的临床状态。方法是一个综合的前瞻性收集的临床数据库（加拿大多伦多）来应用无监督的聚类分析。然后通过当前和未来的肺功能，未来住院风险以及用口服抗生素治疗的未来肺癌的风险进行比较。k最近邻居（knn）算法用于潜在分配群集。这些方法在来自伟大的奥蒙顿街道医院（GOSH）的儿科临床CF数据集中。结果，最佳簇模型确定了来自530个个人的12 200个遇到的四个（A-D）表型集群。在1 s（FEV1）中具有高强制呼气量的两种簇（A和B），鉴定了高强制呼气量，并且使用口服抗生素治疗的住院和肺癌的低风险。符合严重疾病的两种簇（C和D）也用低FEV1鉴定。Cluster D具有在口服抗生素治疗的住院治疗和肺癌的最短时间。 The outcomes were consistent in 3124 encounters from 171 children at GOSH. The KNN cluster allocation error rate was low, at 2.5% (Toronto) and 3.5% (GOSH).Conclusion Machine learning derived phenotypic clusters can predict disease severity independent of lung function and could be used in conjunction with functional measures to predict future disease trajectories in CF patients.Machine learning-derived clusters can be used to define clinical status in children with cystic fibrosis https://bit.ly/3nudlPG