基于机器学习的用于疾病预防的个体健康-疾病相图
机器学习
2022-07-08 v2 人工智能
摘要
基于有效干预的早期疾病检测与预防方法正受到关注。机器学习技术已能够通过捕捉多变量数据中的个体差异来实现精确的疾病预测。精准医学的进展揭示,健康数据在个体层面存在显著的异质性,且复杂健康因素参与慢性病的发生发展。然而,由于多个生物标志物之间关系复杂,在跨疾病发病过程中识别个体生理状态变化仍是一项挑战。在此,我们提出健康-疾病相图(HDPD),其通过可视化在疾病进展过程中早期波动的多个生物标志物的边界值来表示个人健康状态。在 HDPD 中,未来发病预测通过扰动多个生物标志物值并考虑变量间依赖性来表示。我们基于 3,238 名个体的纵向健康体检队列(包含 3,215 个测量项和遗传数据)构建了 11 种非传染性疾病(NCDs)的 HDPD。将生物标志物值改善至 HDPD 中的未发病区域,在 11 种 NCDs 中有 7 种显著预防了未来发病。我们的结果表明,HDPD 能够表示发病过程中的个体生理状态,并可用作疾病预防的干预目标。
引用
@article{arxiv.2205.15598,
title = {Individual health-disease phase diagrams for disease prevention based on machine learning},
author = {Kazuki Nakamura and Eiichiro Uchino and Noriaki Sato and Ayano Araki and Kei Terayama and Ryosuke Kojima and Koichi Murashita and Ken Itoh and Tatsuya Mikami and Yoshinori Tamada and Yasushi Okuno},
journal= {arXiv preprint arXiv:2205.15598},
year = {2022}
}