使用机器学习应用程序来预测患者的患慢性阻塞性肺病的风险
![ML-based COPD GWAS Manhattan plot via DeepNull. We performed ML-based COPD GWAS where we used the same set of covariates as the Fig. 4 with one additional covariate provided by DeepNull. DeepNull model predicts the ML-based COPD using age, sex, genotype-array, and FEV1/FVC as inputs. The additional DeepNull-covariate is the DeepNull model prediction of ML-based COPD. DeepNull learns a function (that is, linear or non-linear) that predicts ML-based COPD via age, sex, genotype-array, and FEV1/FVC as inputs. Thus, this analysis is similar to the ML-based COPD GWAS conditional on FEV1/FVC where instead of assuming that FEV1/FVC has linear relationship with ML-based COPD, DeepNull handles cases where age, sex, and FEV1/FVC can have non-linear relationship with ML-based COPD. We obtained p-values from BOLT-LMM using a two-sided test. The green dashed line is the genome-wide significant level (P 使用机器学习应用程序来预测患者的患慢性阻塞性肺病的风险](https://scx1.b-cdn.net/csz/news/800a/2023/using-machine-learning-4.jpg)
一组医学研究人员、工ob欧宝直播nba程师和计算机科学家隶属于多个机构在美国发现,机器学习技术可以帮助医生预测哪些病人患慢性阻塞性肺病的风险。在他们的研究中,在《华尔街日报》报道自然遗传学深度学习网络,训练使用病人肺量图的数据预测COPD的发展。
慢性阻塞性肺病是全世界第三个最常见的死因。这个术语描述了大量的阻塞性肺疾病如哮喘、支气管炎和肺气肿。之前的研究表明,早期的慢性阻塞性肺病治疗,越早治疗可以应用,减缓其进展。出于这个原因,医学科学家们努力寻找新的方式来发现病人最危险。在这个新的努力,研究小组应用机器学习任务。
研究人员训练深卷积神经网络识别患有慢性阻塞性肺病的区别和那些不拥有它。数据来自教系统病人的医疗记录,潜在的诊断分类系统和肺量图。肺量图是由管理对病人肺量测定法,在病人吹成状装置,连接到一个计算的机器肺的力量。
一旦系统可以区分健康的肺和慢性阻塞性肺病、团队添加责任得分数据编译多年来帮助发现早期慢性阻塞性肺病患者。然后他们跑系统数据从英国生物库的325000名患者,其中包括肺量图。他们还喂它从参与者风险数据在其他几个医疗卫生相关的倡议。他们发现他们可以训练系统来检测慢性阻塞性肺病患者的早期症状。
团队得出结论表明他们的系统可能很快就会被用来屏幕为COPD患者肺量图数据传给它。他们还指出,它可以用于新的研究成果,旨在更全面地了解COPD肺开始,为什么它有时进展得如此之快。
更多信息:贾斯汀张家港基地等,慢性阻塞性肺疾病的推理与深度学习生肺量图确定新的基因位点和提高风险模型,自然遗传学(2023)。DOI: 10.1038 / s41588 - 023 - 01372 - 4
©2023科学欧宝app网彩X网络