Ty-Jour T1 - 无监督表型聚集用于确定患有囊性纤维化的儿童临床状态JF - 欧洲呼吸杂志Jo - Eur Respir J Do - 10.1183 / 13993003.02881-2020 VL - 58是 - 2 SP - 2002881 Au - Filipow，Nicole Au -戴维斯，Gwyneth Au - Main，Eleanor Au - Sebire，Neil J. Au - Wallis，Colin Au - Ratjen，Felix Au - Stanojevic，Sanja Y1 - 2021/08/01 UR - //www.qdcxjkg.com/content/ 58/2/2002881.Abstract N2 - 背景囊性纤维化（CF）是一种多系统疾病，其中单独基于肺功能的疾病严重程度评估可能不合适。该研究的目的是开发一种全面的机器学习算法，以评估患者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来进行定义的簇。k离最近邻居（knn）算法用于潜在分配群集。该方法在来自伟大的奥蒙德街道医院（GOSH）的儿科临床CF数据集中验证。结果，最佳聚类模型确定了基于530个人的12 200个遇到的四个（A-D）表型集群。在1 s（FEV1）中，用高强制呼气量鉴定了与轻度疾病一致的两种簇（A和B），并且使用口服抗生素治疗住院和肺癌的低风险。还鉴定了与严重疾病一致的两种簇（C和D）用低FEV1鉴定。Cluster D对使用口服抗生素治疗的住院和肺癌的时间最短。 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 ER -