Jen-Ping Lee, Yu-Lin Chao, Ping-Hsun Wu, Yun-Shiuan Chuang, Chan Hsu, Pei-Yu Wu, Szu-Chia Chen, Wei-Chung Tsai, Yi-Wen Chiu, Shang-Jyh Hwang, Yi-Ting Lin, Mei-Chuan Kuo
目的:心機能は、血液透析 (HD) を受けている人の全死因死亡率および心血管疾患死亡率の強力かつ一見独立した予測因子です。効率的な心機能評価の必要性が高まったため、評価のためにアクセス可能な血液サンプルを使用する可能性を調査することになりました。この研究では、心血管プロテオミクスを機械学習 (ML) 技術と組み合わせて慎重に活用し、HD 患者の心機能予測の実現可能性を調査しました。
方法:台湾南部の 2 つのユニットから 328 人の HD 患者コホートが集められました。近接拡張アッセイを使用して、184 種類の心血管タンパク質の包括的な測定が行われました。機械学習を使用して、駆出率に基づいて心機能障害を予測するモデルを最適化しました。モデルのパフォーマンスは曲線下面積 (AUC) を使用して評価され、シャプレー値の階層的平均化の有意性 (SHAP) 法が予測の重要な変数を特定するために採用されました。
結果: 184 のプロテオミクス バイオマーカーと 34 の標準臨床変数を含むデータセットを分析フレームワーク内で使用し、分類および回帰ツリー (CART)、最小絶対収縮および選択演算子 (LASSO)、ランダム フォレスト、レンジャー、および極度勾配ブースティング (XgBoost) モデルを含むさまざまな機械学習アルゴリズムを使用して、「プロテオミクス バイオマーカー」の予測有効性が「日常的な臨床および検査変数」の予測有効性を上回ることが確認されました。特徴選択に XgBoost を適用した結果、N 末端プロ B 型ナトリウム利尿ペプチド (NT-proBNP) の重要性が最大の寄与因子として浮上し、心臓機能障害の判定におけるアンジオテンシン変換酵素 2 (ACE-2) およびキトトリオシダーゼ 1 (CHIT-1) の予測役割が補完されました。この整合は、XgBoost モデルの SHAP ベースの解明によって再確認されました。
結論:プロテオーム特性は、機械学習を使用した心機能障害の予測において臨床変数よりも優れていました。XgBoost と SHAP によるさらなる分析により、NT-proBNP と CHIT-1 が重要なバイオマーカーとして強調され、血液バイオマーカーによる HD 患者の心機能障害評価に光が当てられました。