జర్నల్ ఆఫ్ క్లినికల్ కెమిస్ట్రీ అండ్ లాబొరేటరీ మెడిసిన్
అందరికి ప్రవేశం

నైరూప్య

బ్లడ్ కార్డియోవాస్కులర్ ప్రోటీమిక్స్ ద్వారా హీమోడయాలసిస్ రోగులలో కార్డియాక్ డిస్‌ఫంక్షన్ యొక్క మెషిన్ లెర్నింగ్-బేస్డ్ ప్రిడిక్షన్

జెన్-పింగ్ లీ, యు-లిన్ చావో, పింగ్-హ్సున్ వు, యున్-షియువాన్ చువాంగ్, చాన్ హ్సు, పీ-యు వు, స్జు-చియా చెన్, వీ-చుంగ్ త్సాయ్, యి-వెన్ చియు, షాంగ్-జిహ్ హ్వాంగ్, యి- టింగ్ లిన్, మెయి-చువాన్ కువో

లక్ష్యం: కార్డియాక్ ఫంక్షన్ అనేది హీమోడయాలసిస్ (HD) చేయించుకుంటున్న వ్యక్తులలో అన్ని కారణాల మరియు హృదయనాళ మరణాల యొక్క దృఢమైన మరియు అంతమయినట్లుగా చూపబడని స్వతంత్ర అంచనాగా నిలుస్తుంది. సమర్థవంతమైన కార్డియాక్ ఫంక్షన్ అసెస్‌మెంట్ యొక్క కీలకమైన అవసరం మూల్యాంకనం కోసం ప్రాప్యత చేయగల రక్త నమూనాను ఉపయోగించడం యొక్క సామర్థ్యాన్ని అన్వేషించడానికి మాకు దారితీసింది. ఈ అధ్యయనంలో, HD రోగులలో గుండె పనితీరును అంచనా వేసే సాధ్యాసాధ్యాలను అన్వేషించడానికి మేము మెషిన్ లెర్నింగ్ (ML) పద్ధతులతో కలిసి కార్డియోవాస్కులర్ ప్రోటీమిక్స్‌ను జాగ్రత్తగా ఉపయోగించాము.

పద్ధతులు: దక్షిణ తైవాన్‌లో ఉన్న రెండు యూనిట్ల నుండి 328 మంది హెచ్‌డి రోగుల సమూహం సేకరించబడింది. సామీప్య పొడిగింపు పరీక్షలను ఉపయోగించి, 184 కార్డియోవాస్కులర్ ప్రోటీన్‌ల యొక్క సమగ్ర కొలత నిర్వహించబడింది. మెషిన్ లెర్నింగ్‌ని ఉపయోగిస్తూ, ఎజెక్షన్ ఫ్రాక్షన్ ఆధారంగా కార్డియాక్ డిస్‌ఫంక్షన్‌ని అంచనా వేయడానికి మేము ఒక మోడల్‌ను ఆప్టిమైజ్ చేసాము. ఏరియా అండర్ ది కర్వ్ (AUC)ని ఉపయోగించి మోడల్ పనితీరు మూల్యాంకనం చేయబడింది, అయితే ప్రిడిక్షన్ కోసం కీలకమైన వేరియబుల్స్‌ను గుర్తించడానికి సిగ్నిఫికెన్స్ ఆఫ్ హైరార్కికల్ యావరేజ్ ఆఫ్ షాప్లీ వాల్యూస్ (SHAP) పద్ధతిని ఉపయోగించారు.

ఫలితాలు: మా విశ్లేషణాత్మక ఫ్రేమ్‌వర్క్‌లో 184 ప్రోటీమిక్ బయోమార్కర్లు మరియు 34 స్టాండర్డ్ క్లినికల్ వేరియబుల్స్‌ను కలిగి ఉన్న డేటాసెట్‌ను ఉపయోగించడం ద్వారా, "ప్రోటీమిక్ బయోమార్కర్స్" యొక్క ప్రిడిక్టివ్ ఎఫిషియసీ "రొటీన్ క్లినికల్ మరియు లేబొరేటరీ వేరియబుల్స్‌తో సహా వివిధ మెషిన్‌ లెర్నింగ్‌లను" మించిపోయిందని గుర్తించబడింది. వర్గీకరణ మరియు రిగ్రెషన్ ట్రీ (CART), లీస్ట్ అబ్సొల్యూట్ ష్రింకేజ్ అండ్ సెలక్షన్ ఆపరేటర్ (LASSO), రాండమ్ ఫారెస్ట్, రేంజర్ మరియు ఎక్స్‌ట్రీమ్ గ్రేడియంట్ బూస్టింగ్ (XgBoost) మోడల్‌లు. ఫీచర్ ఎంపిక కోసం XgBoost యొక్క అప్లికేషన్ ద్వారా, యాంజియోటెన్సిన్ కన్వర్టింగ్ ఎంజైమ్ 2 (ACE-2) మరియు చిటోట్రియోసిడేస్- యొక్క ప్రిడిక్టివ్ రోల్స్‌తో అనుబంధించబడిన N-టెర్మినల్ ప్రో-బి రకం నాట్రియురేటిక్ పెప్టైడ్ (NT-proBNP) యొక్క ప్రాముఖ్యత అగ్రగామిగా నిలిచింది. 1 (CHIT- 1) గుండె పనిచేయకపోవడాన్ని నిర్ణయించడంలో. XgBoost మోడల్ యొక్క SHAP-ఆధారిత విశదీకరణ ద్వారా ఈ అమరిక మళ్లీ ధృవీకరించబడింది.

ముగింపు: మెషిన్ లెర్నింగ్ ఉపయోగించి కార్డియాక్ డిస్‌ఫంక్షన్‌ను అంచనా వేయడంలో ప్రోటీమిక్ ఫీచర్లు క్లినికల్ వేరియబుల్స్‌ను అధిగమించాయి. XgBoost మరియు SHAPతో తదుపరి విశ్లేషణ NT-proBNP మరియు CHIT-1లను కీలకమైన బయోమార్కర్లుగా హైలైట్ చేసింది, రక్త బయోమార్కర్ల ద్వారా HD రోగులలో కార్డియాక్ డిస్‌ఫంక్షన్ అసెస్‌మెంట్‌పై వెలుగునిస్తుంది.