多组学联用在特异性败血症诊断中的价值

作者：麻硕; 林晓兰; 梁铭标; 谷祥拓; 钱鹏; 唐金陵; 梁会营

来源：循证医学, 2022, 22(06): 355-363.

DOI：10.12019/j.issn.1671-5144.2022.06.008

• 机器学习
• 支持向量机
• 多组学
• 败血症

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。

• 单位
  南方医科大学; 广州市妇女儿童医疗中心; 广东省人民医院（广东省医学科学院）; 广州医科大学