机器学习帮助诊断新冠疫情下阿斯匹林加重型哮喘
背景：在新冠肺炎(COVID-19)流行期间，亟需口服阿司匹林激发试验(OAC)之外的方法，以诊断哮喘患者是否合并阿司匹林过敏。阿司匹林激发试验不仅耗时，且可能出现严重过敏反应。作者旨在探究COVID-19流行期间进行的一系列临床和实验室程序的机器学习(ML)能否用于鉴别阿司匹林过敏和阿司匹林耐受的哮喘患者。
摘要
背景：在新冠肺炎(COVID-19)流行期间，亟需口服阿司匹林激发试验(OAC)之外的方法，以诊断哮喘患者是否合并阿司匹林过敏。阿司匹林激发试验不仅耗时，且可能出现严重过敏反应。作者旨在探究COVID-19流行期间进行的一系列临床和实验室程序的机器学习(ML)能否用于鉴别阿司匹林过敏和阿司匹林耐受的哮喘患者。
方法：采用前瞻性数据库，纳入其中135例非甾体类抗炎药(NSAID)加重呼吸系统疾病(NERD)患者和81例接受OAC治疗的NSAID耐受型(NTA)哮喘患者。收集其临床特征、基于痰细胞的炎症表型以及诱导痰上清液和尿液中的类花生酸表达水平，以应用于机器学习技术。
结果：神经网络(NN)作为诊断NERD的最佳机器学习模型，经过一组最佳特征的训练，可达到95%的诊断灵敏性和76%的特异性。3个具有诊断前景的模型(即多元logistic回归、支持向量机和神经网络)，在一系列易于获得的特征(仅包括临床特征和实验室数据)训练下，达到了97%的灵敏性和67%的特异性。
结论：机器学习技术有望成为鉴别NERD和NTA患者的重要手段。这些模型易于使用、安全，且效果显著，在COVID-19大流行期间尤为重要。
文献来源：Gawlewicz-Mroczka A, Pytlewski A, et al. Machine learning in the diagnosis of asthma phenotypes during coronavirus disease 2019 pandemic. Clin Transl Allergy. 2022 Oct 19;12(10):e12201. doi: 10.1002/clt2.12201. PMID: 36267429; PMCID: PMC9579891.
相关文章
评论
我要跟帖
.jpg)
