目的基于多组学数据,采用机器学习的分类算法,构建高性能的特异性致病菌感染败血症的早期诊断模型,并比较基于单组学和多组学数据模型的预测效果。方法利用败血症患者早期血浆中测得的蛋白质组学数据、代谢组学数据以及多组学融合数据,...目的基于多组学数据,采用机器学习的分类算法,构建高性能的特异性致病菌感染败血症的早期诊断模型,并比较基于单组学和多组学数据模型的预测效果。方法利用败血症患者早期血浆中测得的蛋白质组学数据、代谢组学数据以及多组学融合数据,使用支持向量机(support vector machine,SVM)算法分别构建三个诊断模型,对比三个模型的性能。结果相较于单组学模型,利用多组学数据构建的模型效果最优,金黄色葡萄球菌感染组受试者工作特征曲线下的面积(area under the receiver operating characteristic curve,AUC)=0.97,非金黄色葡萄菌感染组AUC=0.94,非感染组AUC=0.94。结论在特异性败血症早期诊断时,基于多组学相较于单组学构建的模型有较好的预测效果。展开更多
文摘目的基于多组学数据,采用机器学习的分类算法,构建高性能的特异性致病菌感染败血症的早期诊断模型,并比较基于单组学和多组学数据模型的预测效果。方法利用败血症患者早期血浆中测得的蛋白质组学数据、代谢组学数据以及多组学融合数据,使用支持向量机(support vector machine,SVM)算法分别构建三个诊断模型,对比三个模型的性能。结果相较于单组学模型,利用多组学数据构建的模型效果最优,金黄色葡萄球菌感染组受试者工作特征曲线下的面积(area under the receiver operating characteristic curve,AUC)=0.97,非金黄色葡萄菌感染组AUC=0.94,非感染组AUC=0.94。结论在特异性败血症早期诊断时,基于多组学相较于单组学构建的模型有较好的预测效果。