Übersichtsartikel

Machine-Learning-Ansätze zur präzisen Risikobewertung von Transfusionsnebenwirkungen: Eine Scikit-Learn-basierte Übersicht

DOI:

10.3791/69658

⸱

20. Januar 2026

 ,  , 
1Department of Transfusion, The Affiliated Hospital of Southwest Medical University, 2Department of Transfusion, Dazhou Central Hospital

* These authors contributed equally

In diesem Artikel

Zusammenfassung

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Diese Übersichtsarbeit untersucht das Potenzial der scikit-learn-maschinellen Lernbibliothek zur Vorhersage von Transfusionsnebenwirkungen. Er skizziert einen datenbasierten Rahmen zur Verbesserung der Risikobewertung, zur Bewältigung von Einschränkungen konventioneller Ansätze und zur Unterstützung der Entwicklung der Präzisionstransfusionsmedizin.

Zusammenfassung

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Transfusions-Nebenwirkungen (TARs) umfassen unerwünschte Effekte, die während oder nach der Bluttransfusion auftreten und durch die Verabreichung von Blut, Blutprodukten oder transfusionsassoziierten Materialien entstehen. Diese Reaktionen können leichte bis schwere klinische Erscheinungen verursachen, darunter allergische Reaktionen, Hämolyse und transfusionsbedingte akute Lungenverletzungen (TRALI). Aktuelle konventionelle Ansätze – wie ABO/Rh-Blutgruppenabgleich und massive Transfusionsprotokolle – können die Patientenergebnisse verbessern, aber komplexe patientenspezifische Faktoren nicht adressieren. Daher ist die Entwicklung eines dedizierten TAR-Risikomodells unerlässlich. Maschinelles Lernen (ML)-Algorithmen können groß angelegte klinische und Labordatensätze nutzen, um diagnostische und prognostische Modelle zu erstellen und so personalisierte und präzise Medizin voranzubringen. Bemerkenswert ist, dass der scikit-learn (SK-learn) ML-Algorithmus bisher noch nicht direkt auf die TAR-Risikobewertung angewendet wurde; Dennoch hat seine Wirksamkeit bei der Entwicklung ähnlicher medizinischer Risikovorhersagemodelle große Anerkennung erhalten. Diese Übersichtsarbeit präsentiert einen ML-basierten Rahmen zur Vorhersage und Prävention von TAR, mit besonderem Schwerpunkt auf der Rolle von SK-learn in verschiedenen klinischen Kontexten. Unsere Analyse legt die Grundlage für die zukünftige präzise Diagnose von TAR und die Entwicklung von SK-learn-Algorithmen. Entscheidend ist, dass unsere Zusammenfassung der Literatur zeigt, dass Sklearn ein vielseitiges und leistungsstarkes Werkzeugset für diese Aufgabe bietet; Seine erfolgreiche Umsetzung in die klinische Praxis hängt jedoch davon ab, zentrale Herausforderungen zu überwinden, darunter multizentrische Datenheterogenität und den Bedarf an robuster Modellinterpretierbarkeit.

Einleitung

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Die Bluttransfusion ist eine lebensrettende Intervention, die in verschiedenen klinischen Kontexten eingesetzt wird, darunter Traumaversorgung, chirurgische Eingriffe, geburtshilfliche Notfälle, onkologische Behandlungen und das Management chronischer hämatologischer Erkrankungen 1,2. Trotz erheblicher therapeutischer Vorteile können Transfusionen verschiedene unerwünschte Ereignisse verursachen, die zusammenfassend als Transfusions-Nebenwirkungen (TARs) bezeichnet werden3,4. TAR stellt eine multifaktorielle Erkrankung dar, deren Manifestationen von milden allergischen Reaktionen bis zu schweren Komplikationen reichen. Die häufigsten Reaktionen sind fieberlose nicht-hämolytische Transfusionsreaktionen (FNHTRs) und allergische Reaktionen, mit gemeldeten Häufigkeiten von etwa 26 und 21 pro 100.000 transfundierten Einheiten, jeweils 5,6. ABO/Rh-Blutgruppenabgleich und standardisierte Transfusionsverfahren können das TAR-Risiko erheblich senken und somit die Patientensicherheiterhöhen 7,8,9. Sie können diese Ereignisse, insbesondere solche mit komplexen oder immunvermittelten Ätiologien, nicht vollständig verhindern.

Die Belege deuten darauf hin, dass ML, ein Teilgebiet der künstlichen Intelligenz (KI), die Integration komplexer, multimodaler Daten erleichtert. Diese Fähigkeit verbessert die klinische Entscheidungsfindung, erleichtert eine personalisierte Behandlung und optimiert medizinische Leistungen, wodurch letztlich die Patientenergebnisse verbessertwerden. SK-learn wurde 2007 eingeführt und ist eine Open-Source-Python-Maschinelle Lernbibliothek. Zu den Kernfunktionen gehören Regressionsanalyse, die durch ML-Algorithmen implementiert wird, sowie Klassifikation, Clustering, Dimensionsreduktion, Modellauswahl und Vorverarbeitungsfähigkeiten12. In medizinischen Anwendungen wird SK-learn hauptsächlich zur Krankheitsprognose, diagnostischen Klassifikation und klinischen Risikostratifizierungeingesetzt 13,14. So nutzte eine Studie beispielsweise die SK-learn-Bibliothek, um ein prädiktives Modell zu erstellen, das effektiv zwischen diabetischer Nephropathie und nichtdiabetischer Nephropathie differenzierte und so bei der klinischen Diagnose und Behandlung unterstützte15. Durch die Nutzung der Vorteile des sklearn-Algorithmus hat seine Wirksamkeit bei der Erstellung von Risikovorhersagemodellen für posttransfusionsschädliche Reaktionen (TAR) große Anerkennung erlangt16,17.

Diese Übersicht fasst aktuelle Fortschritte in SK-learn-Machine-Learning-Algorithmen zusammen und definiert deren translationale Anwendungen in verschiedenen Krankheitskontexten. Darüber hinaus wird ein Rahmen für die zukünftige klinische Umsetzung von SK-learn in der risikostratifizierten TAR-Diagnose und prädiktiven Modellierung geschaffen.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Überprüfung und Perspektive

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Überblick über das TAR
Pathogenese von TAR
TAR umfasst ein vielfältiges Spektrum klinischer Manifestationen und pathophysiologischer Mechanismen (Tabelle I). Diese Reaktionen werden hauptsächlich in immunvermittelte und nicht-immunvermittelte Subtypen 7,9,18,19 eingeteilt. Immunvermittelte Reaktionen beinhalten typischerweise Antigen-Antikörper-Interaktionen, die zu Hämolyse oder systemischen Entzündungsreaktionen führen. Ein repräsentatives Beispiel ist die ABO-Inkompatibilität, die akute hämolytische Transfusionsreaktionen (AHTRs) auslösen kann. Diese Erkrankung äußert sich als Fieber, Flankenschmerzen, Bluthochdruck, disseminierte intravaskuläre Gerinnung (DIC) und akutes Nierenversagen 7,9,20. Darüber hinaus können Typ-I-Überempfindlichkeitsreaktionen allergische Transfusionsreaktionen auslösen, mit klinischen Symptomen, die von leichter Urtikarie bis zu lebensbedrohlicher Anaphylaxie reichen. Bemerkenswert ist, dass diese Reaktionen häufig mit Thrombozytenprodukten assoziiert sind, da Residual-Spenderplasmaproteine vorhanden sind, darunter Subpollenallergenmoleküle 18,21,22,23. TRALI wird klinisch durch den akuten Beginn von Hypoxämie und nichtkardiogenem Lungenödem innerhalb von 6 Stunden nach der Transfusion definiert. Die Pathogenese umfasst hauptsächlich von Spendern abgeleitete Antikörper gegen humane Leukozytenantigene (HLAs) oder granulozytenspezifische Antigene 21,22,24. Bemerkenswert ist, dass bestimmte Blutgruppenantigene, wie etwa Antigene des Kidd-Systems, verzögerte hämolytische Transfusionsreaktionen, auch DHTRs genannt, auslösen können, wenn sie von donorabgeleiteten Anti-HLA-Antikörpern anvisiert werden. Separat stellt TRALI, eine Form der transfusionsbedingten akuten Lungenverletzung, eine eigenständige pathologische Entität dar, die durch Donor-Anti-HLA-Antikörper durch neutrophile Aktivierungsmechanismenvermittelt wird 6,22. Nicht-immunvermittelte Transfusionsreaktionen umfassen mehrere klinische Einheiten, darunter septische Reaktionen aufgrund bakterieller Kontamination, Volumenüberlastung, mechanische oder thermische Hämolyse sowie transfusionsassoziierte Kreislaufüberlastung (TACO)9,23. Septische Transfusionsreaktionen entstehen durch die Infusion von Blutprodukten, die mit Bakterien kontaminiert sind, am häufigsten Staphylococcus spp., Staphylococcus aureus und Escherichia coli in Blutplättchen sowie Yersinia enterocolitica in roten Blutkörperchen. Klinisch zeigen sie hohes Fieber, Strapazen, Hypotonie und können schnell zu einem Schock übergehen. Bemerkenswert ist, dass mit der Einführung des hochsensiblen Pathogen-Screenings das Risiko klassischer transfusionsübertragbarer Infektionen (TTIs, z. B. HIV, HCV) drastisch reduziert wurde. Folglich sind septische Reaktionen, insbesondere bei Blutplättchentransfusionen, die bei Raumtemperatur gelagert werden, heute eine häufiger gemeldete infektiöse Komplikation der Transfusion als TTIs. Transfusionsübertragbare Infektionen, die durch verschiedene Krankheitserreger wie Viren, Bakterien und Parasiten verursacht werden können, können TAR auslösen, indem sie das angeborene Immunsystem aktivieren. Jüngste systematische Übersichten zeigen, dass ein umfassendes Screening immunogener Krankheitserreger weiterhin die Hauptherausforderung bei der Prävention infektionsbedingter TAR bleibt (Tabelle 1).

Epidemiologie der TAR
In entwickelten Ländern bleibt die Gesamthäufigkeit von TAR relativ niedrig. Aktuelle Überwachungsdaten zeigen, dass allergische Reaktionen und fieberhafte nicht-hämolytische Transfusionsreaktionen (FNHTRs) zu den am häufigsten gemeldeten Nebenwirkungen gehören, wobei allergische Reaktionen in vielen Berichtssystemen inzwischen häufiger sind als FNHTRs. Verzögerte serologische Transfusionsreaktionen (DSTRs) werden seltener berichtet 5,9,29. Dennoch stellt TAR weiterhin erhebliche klinische Herausforderungen in Entwicklungsländern und spezifischen Bevölkerungsgruppen dar, wobei dieses erhöhte Risikoprofil auf multifaktorielle Determinanten zurückzuführen ist, darunter Unterschiede in standardisierten Screeningprotokollen, suboptimale Verfahren zur Handhabung von Blutprodukten, heterogene Transfusionspraktiken und populationsspezifische genetische Veranlagungen26,27. Patienten mit Sichelzellenanämie sind besonders anfällig für hämolytische Transfusionsreaktionen und Alloimmunisierung. Dieses erhöhte Risiko wird auf chronische Entzündungen, phänotypische Unterschiede in den roten Blutkörperchenantigenen zwischen überwiegend kaukasischen Spender- und afrikanischstämmigen SCD-Patienten sowie einer hohen lebenslangen Exposition gegenüber Transfusionen zurückgeführt, anstatt auf das Vorhandensein von Sichelhämoglobinselbst 20,30. Bemerkenswert ist, dass aktuelle Überwachungsdaten großer chinesischer medizinischer Zentren eine höhere Inzidenz von allergischem TAR bei pädiatrischen und neonatalen Populationen als bei Erwachsenen zeigten, was auf unterschiedliche Transfusionsschwellenwerte und klinische Praktiken zurückzuführen ist. Im Gegensatz dazu zeigen europäische Kohorten in diesen Altersgruppen19, 31 und 32 ein entgegengesetztes epidemiologisches Muster. Zum Beispiel berichteten Guo, K. et al. 19, dass Kinder in einem großen chinesischen Nationalzentrum häufiger allergische Reaktionen hatten als Erwachsene, während bei Neugeborenen Transfusionsschwellenwerte und -praktiken in Europa deutlich variieren33.

Aktuelle klinische Studien, die TAR-Risikobewertungsmodelle entwickeln, verwenden drei zentrale strategische Ansätze: risikostratifizierte Präventionsmaßnahmen, kontinuierliche Echtzeitüberwachungssysteme und personalisierte Managementprotokolle für Hochrisikopopulationen. Diese Risikomodelle demonstrieren ein bimodales Klassifikationssystem, das sowohl umfassende Screening-Tools mit universeller Anwendbarkeit für Transfusionsempfänger als auch spezialisierte prädiktive Algorithmen zur Identifizierung spezifischer Nebenwirkungs-Subtypenumfasst. Generalisierte Risikobewertungsinstrumente, veranschaulicht durch das britische Serious Hazards of Transfusion (SHOT)-System, nutzen populationsbezogene Datensätze, um Transfusionsempfänger zu stratifizieren. Diese Systeme zeigen besondere Wirksamkeit bei der Identifizierung von Hochrisikokohorten, darunter Patienten mit einer Vorgeschichte mehrerer Transfusionen oder Autoimmunerkrankungen36. Die konventionelle Transfusion Risk and Clinical Knowledge (TRACK)-Score-Methodik verwendet statische Leistungskennzahlen mit vorgegebenen Grenzwerten, um die Modellleistung innerhalb vordefinierter Entscheidungsgrenzen zu quantifizieren. Dieser Ansatz charakterisiert die Vorhersagefähigkeit eines Modells unter eingeschränkten Betriebsparametern37. Jüngste Fortschritte haben neuartige Werkzeuge zur Risikostratifizierung zur Transfusionsvorhersage hervorgebracht. Das neu entwickelte SCORE-System integriert sechs klinisch validierte prädiktive Faktoren zur Abschätzung der Transfusionswahrscheinlichkeit. Vergleichende Analysen zeigen, dass dieses vereinfachte Modell eine vergleichbare Vorhersagegenauigkeit und Kalibrierungsleistung wie der konventionelle TRACK-Wert bei der Vorhersage von Transfusionsanforderungen in kardialchirurgischen Eingriffenerreicht 38.

Neben spezifischen Reaktionsmodellen wurden kürzlich viele In-vivo-Modelleuntersucht. TRALI ist eine klinisch signifikante Komplikation, deren Risikoprofil durch das Zusammenspiel von donorabgeleiteten antihumanen Leukozyten/Neutrophilen-Antigen- (Anti-HLA/HNA)-Antikörpern, erhöhten entzündlichen Biomarkern des Empfängers, einschließlich Interleukin-6, und dem verabreichten Transfusionsvolume 34,39,40 bestimmt wird. Das transfusionsassoziierte Kreislaufüberlastungsrisiko (TACO) wird häufig mit klinischen Bewertungssystemen bewertet, die Parameter wie erhöhte B-Typ-Natriuretikum-Peptidspiegel (BNP oder NT-proBNP), eine Vorgeschichte von Herzfunktionsstörungen, eine hohe Transfusionsrate und positive Flüssigkeitsbilanz berücksichtigen. Das Risiko einer immunvermittelten Hämolyse wird präventiv durch Antikörperscreening mittels des indirekten Antiglobulintests (indirekter Coombs-Test) bewertet, der klinisch signifikante Alloantikörper im Plasma des Empfängers nachweist. Die Identifizierung dieser Antikörper ermöglicht die Auswahl von antigennegativen Bluteinheiten für die Transfusion, wodurch Antigen-Antikörper-Reaktionen verhindert werden, die sonst eine Hämolyse verursachen würden. Die Anamnese der Transfusion ist ebenfalls entscheidend für die Erkennung einer vorherigen Sensibilisierung und des Risikos für verzögerte hämolytische Reaktionen. Diese mechanistischen Modelle integrieren multidimensionale klinische und laborbezogene Parameter, um die Genauigkeit der Vorhersage von Nebenwirkungen zu erhöhen 34,39,41. Darüber hinaus wurden massive Transfusionsprotokolle (MTPs) entwickelt, um die Sterblichkeit im Zusammenhang mit hämorrhagischem Schock bei schwer blutenden Trauma- oder chirurgischen Patienten zu reduzieren, indem das Verhältnis von RBC, Plasma und Blutplättchen auf42,43 standardisiert wird. Diese Praktiken haben jedoch die transfusionsbedingte Morbidität gesenkt und erfassen nicht vollständig das komplexe Zusammenspiel von immunologischen und nichtimmunologischen Variablen, die die Transfusionssicherheit definieren. Viele bestehende Bewertungssysteme und Protokolle wurden unter kontrollierten Bedingungen oder unter engeren Patientenkohorten validiert, wodurch sie in realen, heterogenen Umgebungen suboptimal sind 16,44,45,46. Sich entwickelnde Pathogenprofile, Veränderungen in Spenderpopulationen und die Komplexität moderner medizinischer Versorgung stellen statische Ansätzeweiter in Frage. Dieser Hintergrund hat das wachsende Interesse daran geweckt, maschinelles Lernen zur Verfeinerung der Transfusionsrisikobewertung anzuwenden, indem klinische Daten, Laborergebnisse und aufkommende Bereiche wie Multiomik kombiniert werden, um leistungsfähigere prädiktive Modelle zu schaffen (Abbildung 1)48,49,50.

Aktueller Aufbau klinischer Risikobewertungsmodelle mittels maschinellem Lernen
Maschinelles Lernen (ML), als grundlegendes Paradigma für künstliche Intelligenz, ermöglicht adaptive Entscheidungsfindung durch die automatisierte Entdeckung latenter Datenmuster und die induktive Generierung prädiktiver Modelle, wodurch explizite prozedurale Programmierung umgangen und kontinuierliche Leistungsverbesserung in komplexen, sich entwickelnden Bereichen ermöglicht wird, einschließlich medizinischer Diagnostik und Prognose51. Die Entwicklung des maschinellen Lernens durchlief drei unterschiedliche Phasen: (1) die Gründungszeit, die die theoretische Grundlage legte52; (2) die algorithmische Renaissance, gekennzeichnet durch bedeutende Fortschritte bei Support-Vektormaschinen und Ensemble-Methoden53; und (3) die Deep-Learning-Revolution, bei der konvolutionale und rekurrente neuronale Netze, angetrieben von GPU-Beschleunigung und Big Data, transformative Paradigmenwechsel in mehreren Bereichen ausgelöst haben54. In medizinischen Anwendungen haben sie die medizinische Bilddiagnostik und Biomarkererkennungrevolutioniert.

Aktuelle Machine-Learning-Systeme werden basierend auf ihren Lernmechanismen in drei Kernparadigmen eingeteilt: (1) überwachtes Lernen, das auf markierten Trainingssätzen für prädiktive Modellierung basiert; (2) unüberwachtes Lernen, das latente Strukturen aus nicht annotierten Daten freilegt; und (3) Deep Learning, das hierarchische neuronale Architekturen für automatisierte Merkmalsabstraktion nutzt. Zusammen bilden diese Paradigmen die grundlegenden Methoden, die zeitgenössischen KI-Anwendungenzugrunde liegen 56.

In den letzten Jahren hat ML breite Anwendung bei der Entwicklung medizinischer diagnostischer Marker, Prognosebewertung und Aufbau von Risikomodellen57,58 gewonnen. Medizinische Daten weisen häufig eine hohe Dimensionalität auf, was erhebliche Herausforderungen für eine effektive Analyse mit traditionellen Methodendarstellt 14,59. ML-Techniken sind hervorragend darin, kritische Merkmale aus solch komplexen Datensätzen zu extrahieren und so die Identifikation wichtiger Merkmale zu erleichtern. Die Anwendung von ML in der Transfusionsmedizin entwickelt sich rasant. So haben ML-Modelle beispielsweise überlegene Leistungen bei Aufgaben wie medizinischer Bildklassifikation und pathologischer Analyse gezeigt, was zu erheblichen Verbesserungen der Genauigkeit der frühen Diagnose und Prognosestratifizierung60,61 geführt hat. Durch die Nutzung patientenspezifischer Daten, wie genomische und metabolomische Profile, kann ML personalisierte Behandlungsreaktionen vorhersagen und so das Feld der Präzisionsmedizin62 voranbringen. Neben der Vorhersage des Transfusionsbedarfs wird ML auch eingesetzt, um das Management von Blutprodukten zu optimieren. Studien haben ML für Aufgaben wie die Vorhersage des Blutplättchenverbrauchs und die Personalisierung präoperativer Blutbestellungspläne genutzt, was das Potenzial zur Verbesserung des Bestandsmanagements und zur Reduzierung von Verschwendung aufzeigt.

Darüber hinaus ermöglicht ML die Integration von Multiquellendaten, einschließlich Bildgebung, Genomik und elektronischen Gesundheitsakten (EHRs), um umfassende prädiktive Modelle63 zu erstellen. Darüber hinaus unterstützt ML Echtzeit-Risikowarnungen, wie die Sepsis-Vorhersage für Intensivpatienten, und automatisiert diagnostische Arbeitsabläufe, wodurch die Arbeitsbelastung für medizinisches Personal64 entlastet wird. ML hat die Präzision von Krebsprognosemodellen und Zielentwicklungen erheblich verbessert, indem Multiomics-Daten integriert, komplexe Muster analysiert und das Medikamentendesign beschleunigt wurde. Darüber hinaus verbessert maschinelles Lernen die diagnostische Genauigkeit, indem es sowohl bekannte als auch unbekannte Muster identifiziert, die auf Krebspräsenz oder Abwesenheit65 hinweisen. Eine Simulationsstudie zeigte, dass Radiologen vorhergesagte negative Fälle überspringen konnten und ihre Arbeitsbelastung auf nur 80,7 % der Mammographien reduzierten, während sie die allgemeine Sensitivität und Spezifität aufrechterhielten. Es wurde nachgewiesen, dass CNN-Modelle verwendet werden können, um funktionelles Gewebe aus Brustultraschallbildern zu segmentieren und so Klinikern bei der Interpretation und Diagnosedieser Bilder zu helfen. Prognose und Behandlungsauswahl basieren stark auf Tumormerkmalen, von denen viele anhand bildbasierter ML-Modelle vorhergesagt werden können. Einige Forscher haben 3D-CNNs eingesetzt, um den EGFR-Mutationsstatus im Lungenadenokarzinom aus manuell ausgewählten Interessensbereichen (ROIs) in CT-Scans vorherzusagen, was eine nicht-invasive Alternative zur Krebsgenotypisierung bietet und potenzielle therapeutische Strategien informiert67. Neue genomische Technologien wie Einzelzell-Transkriptomik und räumliche Transkriptomik bieten großes Potenzial für die histopathologische Charakterisierung solider Tumore. Konkret ermöglicht Einzelzell-Transkriptomik eine detaillierte Analyse der zellulären Zusammensetzung, sodass ML-Modelle Krebsbehandlungsreaktionen und potenzielle Wirkstoffresistenzmechanismen vorhersagenkönnen.

Deep Learning (DL), als Teilgebiet des ML, nutzt mehrschichtige neuronale Netzwerkalgorithmen, die von der neuronalen Architektur des Gehirns inspiriert sind, für prädiktive Modellierung69. Im Gegensatz zu ML-Methoden wie der logistischen Regression, die ihre neuronale Netzwerkarchitektur nutzen, ermöglicht DL Modellen, exponentiell mit zunehmendem Datenvolumen und zunehmender Dimensionalität zu skalieren69. DL wurde umfangreich in medizinischen Anwendungen angewendet. In den letzten Jahren wurden aufkommende Deep-Learning-Techniken weit verbreitet für die Krebsdiagnose, Prognose und Identifikation therapeutischer Regime. Verschiedene neuronale Netzwerkarchitekturen, darunter mehrschichtige Perzeptronen (MLPs), rekurrente neuronale Netze (RNNs) und konvolutionale neuronale Netze (CNNs), bilden grundlegende Komponenten für fortgeschrittene Methodologien69. Studien haben ein CNN-Modell eingeführt, das das Krebsrisiko nicht nur auf Bildebene, sondern auch auf Pixelebene vorhersagen kann und Heatmaps bereitstellt, die Regionen hervorheben, die am ehesten krebsartige Erkrankungen entwickeln70. Die Integration tiefer CNNs in histologiebasierte Krebsbewertungssysteme hat sich als erfolgreich erwiesen, wobei Studien zeigen, dass diese Modelle eine Leistung erzielen können, die mit der menschlicher Pathologen bei der Bewertung von Prostata-, Brust-, Dickdarm- und Lymphomkrebs vergleichbar ist71,72,73,74,75. Forscher haben gezeigt, dass die Segmentierung von krebsartigen Geweben mit einem CNN-basierten Generator einem CNN-basierten Klassifikator helfen kann, den Grad von Prostatakrebs vorherzusagen76. Einige Forscher haben ein hybrides Graph-Convolutional Neural Network (GCNN)-Modell verwendet, um Genexpressionsprofile auf das STRING-Protein-Protein-Interaktionsnetzwerk (PPI) abzubilden, was die Vorhersage von molekularen Subtypen von Brustkrebs ermöglicht69,77. Maschinelles Lernen hat auch eine bedeutende Anwendbarkeit bei Nicht-Krebserkrankungen gezeigt, insbesondere in der diagnostischen Modellierung. Beispielsweise haben Studien externe und prospektive Schulungen und Validierung von Machine-Learning-Modellen durchgeführt, um Sterblichkeit und kritische Ereignisse bei COVID-19-Patienten über verschiedene Zeiträume hinweg vorherzusagen. Diese Modelle identifizierten erfolgreich Hochrisikopatienten und klärten die zugrunde liegenden Zusammenhänge auf, die zu den prädiktiven Ergebnissen beitragen78. Traditionelle radiomische Modelle basieren überwiegend auf manuell entwickelten Merkmalen, die explizit aus medizinischen Bildern abgeleitet sind. Forscher haben untersucht, ob tiefe Merkmale, die durch Transfer Learning extrahiert werden, genutzt werden können, um radiomische Signaturen zur Vorhersage des Gesamtüberlebens (OS) von Glioblastoma multiforme (GBM)-Patienten zu erzeugen79. In den letzten Jahren hat ML bedeutende Fortschritte in der Mikrobiologie gezeigt80. Eine zentrale Anwendung in diesem Bereich besteht darin, Gesundheitsfachkräften zu ermöglichen, die Mikroorganismen, die für Infektionskrankheiten bei Patienten verantwortlich sind, schnell und präzise zu diagnostizieren, was entscheidend für die Entwicklung geeigneter Behandlungsstrategien ist. ML-Modelle können präzise Diagnosen liefern, wenn geeignete Eingabedaten bereitgestellt werden80. Es wurde nachgewiesen, dass die Verwendung eines vortrainierten konfaltionalen neuronalen Netzwerks (CNN) als Merkmalsextraktor, kombiniert mit Kreuzvalidierung auf Patientenebene, effektiv zwischen malariainfizierten und uninfizierten Zellen unterscheiden kann und so die Krankheitsscreeningprozesse verbessert81. Ein maschinelles Lernmodell basierend auf einer Kohorte von 1.839 bakteriellen Isolaten aus Großbritannien wurde entwickelt, um die Resistenzprofile von Mycobacterium tuberculosis (M. tuberculosis) bis zu acht Antituberkulosemedikamenten (Isoniazid, Rifampicin, Ethambutol, Pyrazinamid, Ciprofloxacin, Moxifloxacin, Ofloxacin und Streptomycin), darunter multiresistente Tuberkulose. Im Vergleich zu früheren Methoden verbesserte das am besten performende Modell die Sensitivität für Isoniazid, Rifampicin und Ethambutol um 2–4 % und erreichte eine Sensitivität von 97 % (P < 0.01). The sensitivity for ciprofloxacin and multidrug-resistant tuberculosis increased to 96%. For moxifloxacin and ofloxacin, the sensitivity increased from 83% and 81%, respectively, based on known resistance alleles, to 95% and 96% (P < 0.01), representing improvements of 12% and 15%, respectively. Notably, compared with rule-based approaches, the model enhanced the sensitivity for pyrazinamide and streptomycin by 15% and 24%, respectively, reaching 84% and 87% (P < 0.01). The top-performing model also increased the area under the ROC curve for pyrazinamide and streptomycin by 10% (P < 0.01) and for other drugs by 4-8% (P < 0.01).

Zum Beispiel werden DL-Modelle häufig darauf trainiert, mammographische Bilder zu analysieren und so die Wahrscheinlichkeit vorherzusagen, dass ein Patient in Zukunft an Krebs erkrankt. Darüber hinaus haben einige Forscher die Vorteile dieser direkten Risikoprognosemethode hervorgehoben und darauf hingewiesen, dass der Brustkrebs-Risikoscore, der vom Inception-ResNet-v2-Modell des konvolutionalen neuronalen Netzwerks erzeugt wird, genauer ist als der aus der klinischen Brustdichtebewertung83 abgeleitete Wert. Ähnlich haben einige Forscher ein auf DL basierendes Mammographiemodell entwickelt, das das Tyrer-Cuzick-Risikomodell übertrifft, das sich auf klinische Merkmale wie das Alter der Patienten stützt, um das fünfjährige Risiko für Brustkrebsentwicklung bei Frauenim Alter von 84 Jahren vorherzusagen.

Darüber hinaus wurde maschinelles Lernen in der Transfusionsmedizin angewandt. Das wachsende Interesse an der Anwendung von KI in der Transfusionsmedizin wird durch die Teilnahme an großen Fachforen unterstrichen, wie etwa einer speziellen Konferenz der International Society of Blood Transfusion (ISBT) Clinical Transfusion Working Party, die das Potenzial von KI in TM-Praxis, -Ausbildung und -Forschung untersucht85. Die Bluttransfusion (BT) ist ein entscheidender Bestandteil der medizinischen Versorgung von chirurgischen Patienten auf der Intensivstation. Diese Studie analysierte Daten von 9.118 chirurgischen Intensivpatienten in der UMC-Datenbank und nutzte maschinelles Lernen zur Vorhersage des Bluttransfusionsbedarfs. Durch den Vergleich der Leistung von XGBoost- und logistischen Regressionsalgorithmen (LR) anhand von Daten von 6 Stunden vor der Intensivaufnahme bis 1, 2, 3 und 6 Stunden nach der Aufnahme zeigte die Forschung signifikante Unterschiede in den Patientenmerkmalen zwischen Transfusions- und Nicht-Transfusionsgruppen. Diese Ergebnisse bestätigen die Machbarkeit von maschinellem Lernen zur Vorhersage des Bluttransfusionsbedarfs für chirurgische Intensivpatienten86. Allogene Bluttransfusionen sind häufig bei Hüftgelenkoperationen erforderlich, stehen jedoch mit erhöhten Morbiditätsrisiken in Verbindung. Eine genaue Vorhersage des Transfusionsbedarfs ist entscheidend, um Blutproduktabfälle zu minimieren und die präoperative Entscheidungsfindung zu optimieren. Jüngste Studien haben 14 maschinelle Lernalgorithmen etabliert, um Transfusionsrisiken vorherzusagen und dabei demografische Daten der Patienten, präoperative Laborergebnisse und chirurgische Informationen einzubeziehen. Die Modellleistung wurde mittels Diskriminierung, Kalibrierung und Entscheidungskurvenanalyse bewertet. SHapley-additive Erklärungen (SHAPs) wurden verwendet, um die Modelle zu interpretieren, wobei der Ridge-Klassifikator die höchste prädiktive Genauigkeit zeigte und einen AUC von 0,85 (95%-KI: 0,81–0,88) und einen Brier-Wert von 0,21 erreichte. Das maschinelle Lernmodell dieser Studie zeigte eine hohe prädiktive Leistung für perioperative Transfusionsbedürfnisse bei Hüftgelenkoperationen unter Verwendung der verfügbaren klinischen Variablen87.

Darüber hinaus wurde maschinelles Lernen erfolgreich in das Arzneimitteldesign integriert, wodurch Herausforderungen wie Zeit- und Rechenkosten adressiert und die Zuverlässigkeit bei88,89 verbessert wird. Durch die Nutzung der dreidimensionalen Ligandbindungsumgebung von Proteinen erleichtert maschinelles Lernen die Bestimmung der Zielproteinstrukturen – ein entscheidender Schritt in der Wirkstoffforschung90. Zum Beispiel kann AlphaFold, ein KI-gesteuertes Tool, direkt mit den Daten der Protein Data Bank (PDB) trainiert werden und ist in der Lage, 3D-Proteinstrukturen aus Aminosäuresequenzen91 vorherzusagen. AlphaFold verwendet einen zweistufigen Prozess: Erstens wandelt ein CNN die Aminosäuresequenz des Proteins in Distanz- und Torsionswinkelmatrizen um; zweitens transformieren Gradientenoptimierungstechniken diese Matrizen in die 3D-Struktur92 des Proteins.

Scikit-learn (sklearn) ist eine auf Python basierende Machine-Learning-Bibliothek, die weithin für ihre Benutzerfreundlichkeit, umfangreiche Dokumentation und robuste Community-Unterstützung gelobtist. Sie bietet eine umfassende Sammlung überwachter Methoden wie logistische Regression, Unterstützungsvektormaschinen und Zufallswälder sowie unüberwachte Methoden, darunter Clusterbildung und Dimensionsreduktion93. Es bietet außerdem Pipelines, die die Datenvorverarbeitung, Modelltraining, Kreuzvalidierung und Hyperparameter-Optimierung in einem einheitlichen Framework93 optimieren. Werkzeuge zur Modellinterpretierbarkeit, einschließlich Permutationsmerkmale-Bedeutung und partieller Abhängigkeitsdiagramme, sowie fortschrittliche Ensemble-Methoden wie Random Forest und Gradient Boosting, zeigen in Gesundheitskontexten durchgehend eine robuste prädiktive Leistung45,93.

Aufgrund dieser Eigenschaften wurde SK-learn in der medizinischen Forschung umfangreich für Aufgaben wie Krankheitsdiagnose12,94, Vorhersage von Überlebenszeiten95, Analyse großer Bildgebungsdatensätze96 und Erstellung von Risikovorhersagemodellen für Transfusionsanwendungen97 eingesetzt. Dieser Abschnitt bietet eine detaillierte Untersuchung der spezifischen Anwendungsfälle und der technischen Umsetzung und zeigt die Vorteile von SK-learn bei der Erstellung von Krankheitsdiagnose- und Risikobewertungsmodellen (Abbildung 2). Mit besonderem Fokus auf den Krebsbereich, wo seine Anwendungen am umfangreichsten und ausgereiftesten sind, analysieren wir erfolgreiche Praktiken und gehen bestehende Herausforderungen an: 12,93,95,98. Darüber hinaus untersuchen wir, wie diese Erkenntnisse als wertvolle Referenzen und Inspirationen für die Entwicklung von TAR-Risikoprognosemodellen dienen können.

SK-learn bietet ein robustes algorithmisches Framework, das traditionelle maschinelle Lerntechniken – darunter Support Vector Machines (SVMs), Random Forests und logistische Regression – mit Deep-Learning-Ansätzen wie dem Multilayer Perceptron (MLP)-Klassifikator integriert und es so gut geeignet macht, verschiedene Krebsdatensätze zu modellieren. So haben Forscher beispielsweise bei der Entwicklung eines neuartigen histologischen Systems zur Diagnose von adrenokortikalem Karzinom die sklearn-Bibliothek in Python genutzt, um ein multidimensionales mathematisches Modell zu erstellen. Dieses Modell erreichte eine allgemeine diagnostische Genauigkeit von 100 % und zeigte damit eine breite Anwendbarkeit über alle morphologischenVarianten hinweg 99.

Darüber hinaus ermöglichen SK-learn, GridSearchCV und RandomizedSearchCV die automatisierte Hyperparameteroptimierung. Beispielsweise wurden bei der Vorhersage von Lymphknotenmetastasen die Parameter eines XGBoost-Modells durch Kreuzvalidierung fein abgestimmt, was zu einem AUC-Wert von 0,95212 führte. Zum Beispiel zeigt die Support Vector Machine (SVM) eine überlegene Leistung bei Brustkrebsklassifikationsaufgaben. Seine nichtlineare Kernelfunktion ermöglicht eine effektive Verarbeitung hochdimensionaler Bilddaten. Eine Studie, die spektrale Daten von Mundkrebspatienten analysierte, zeigte, dass SVM in Kombination mit rekursiver Merkmalselimination (RFE) eine Sensitivität von 95 % und eine Spezifität von 96 % erreichte und damit die traditionelle Fisher-lineare Diskriminantenanalyse (FLD)100 deutlich übertraf. Darüber hinaus zeigte eine vergleichende Analyse des UCI-Brustkrebsdatensatzes, dass SVM sowohl K-Means-Clustering als auch künstliche neuronale Netze hinsichtlich Klassifikationsgenauigkeit und Verallgemeinerungsfähigkeit101 übertraf. Die Fähigkeit des SVM, hochdimensionale Daten zu verarbeiten, ist ebenso relevant für die TAR-Vorhersage, bei der Modelle zahlreiche klinische und laborbezogene Parameter integrieren müssen.

Die Random-Forest-Methode zeigt eine überlegene Leistung bei der Analyse der Merkmalsbedeutung. Einige Forscher haben Zufallswälder genutzt, um genomische und klinische Daten zu integrieren und Schlüsselmerkmale der Brustkrebsprognose zu identifizieren. Die Clustering-Ergebnisse korrelierten signifikant mit klinischen Endpunkten102. Dieser Ansatz kann direkt auf die TAR-Modellierung übertragen werden, um die einflussreichsten Risikofaktoren wie spezifische Spenderantikörper oder Empfänger-Entzündungsmarker aus einer Vielzahl von Kandidatenmerkmalen zu identifizieren.

XGBoost zeigt als repräsentativer Gradient-Boosting-Algorithmus eine herausragende Leistung bei der Vorhersage von Krebsstadien. Eine Studie basierend auf Multiomics-Daten von TCGA zeigte, dass XGBoost in Kombination mit DNA-Methylierungsmerkmalen die prädiktive Leistung des Klassifikationsmodells103 weiter verbessern kann. In einer weiteren Studie zu Brustkrebsmetastasen optimierte XGBoost seine Hyperparameter mittels Grid-Search CV und wurde mit SHAP-Wertvisualisierung kombiniert. Sechs Schlüsselgene, wie SQSTM1 und GDF9, wurden erfolgreich identifiziert. Das AUC des Modells erreichte 0,82 und lieferte neue Biomarker für die Metastaserisikovorhersage104. Die Kombination leistungsstarker Ensemble-Methoden wie XGBoost mit SHAP-Erklärung ist ein kraftvolles Paradigma, das für TAR-Modelle übernommen werden kann, um Klinikern transparente und umsetzbare Risikobewertungen zu bieten.

SK-learn bietet ein standardisiertes Toolkit zur Datenvorverarbeitung, das die hohe Dimensionalität, das Ungleichgewicht und fehlende Werte in Krebsdaten effektiv adressiert. Beispielsweise wurde bei der Vorhersage von Darmkrebs ein logistisches Regressionsmodell verwendet, das vier Kernindikatoren wie CEA und Hämoglobin abschirmt, um ein nicht-invasives diagnostisches Modell mit einer Fläche unter der Kurve (AUC) von 0,849 zu konstruieren, das die Erkennung über einen einzelnen Tumormarker105 deutlich übertraf. Im Hinblick auf unausgewogene Datenverarbeitung verbesserte XGBoost durch die Kombination der SMOTE-Oversampling-Technik aus der Imbalanced-Learn-Bibliothek die Sensitivität der Minderheitenklasse (maligne Proben) in der Brustkrebsklassifikation um 8,36 %, und der F1-Wert erreichte 96,2 % 106.

Die Kombination von SK-learn mit Werkzeugen wie SHAP und eli5 bietet eine transparente Interpretierbarkeit für Krebsmodelle. Bei der Vorhersage von Metastasen an Sentinel-Lymphknoten bei Brustkrebs zeigt das anhand von SHAP-Werten dargestellte XGBoost-Modell, dass Ultraschallmerkmale wie "verdächtige Lymphknoten" und "marginale Spiculation" den größten Beitrag zum Metastaserisiko leisten, was sehr gut mit der klinischen diagnostischen Logik12 übereinstimmt.

SK-Learn hat erhebliche Vorteile in der Forschung zu Nicht-Krebserkrankungen gezeigt. Nichtkrebserkrankungen erfordern häufig die Integration von Multisource-Daten, darunter elektronische Gesundheitsakten (EHR), Bildgebung, Genomik, Proteomik und andere. SK-learn ist in der Lage, Patienten-EHRs, genetische Profile und Lebensstilinformationen zu konsolidieren, um das Risiko assoziierter Erkrankungen mit erhöhter Präzision vorherzusagen. Beispielsweise wurde ein zufälliger Forest-Algorithmus aus SK-learn verwendet, um EHR-Daten zur Vorhersage des Risikos für Herz-Kreislauf-Erkrankungen zu integrieren. Dieser Ansatz verbesserte nicht nur die Genauigkeit der kardiovaskulären Risikovorhersage erheblich, sondern erhöhte auch die Zahl der Patienten, die von präventiven Maßnahmen profitieren konnten,während unnötige Behandlungen für andere minimiert wurden. Forscher haben Pythons SK-learn-Machine-Learning-Bibliothek genutzt, um fünf verschiedene KI-Modelle zu entwickeln und zu trainieren – logistische Regression, Random Forest, AdaBoost, CATBoost und LightGBM – zur Vorhersage von postoperativen Rotatorenmanschetten-Rissen nach arthroskopischer Rotatormanschettenreparatur (ARCR). Die trainierten Modelle wurden anschließend zur Auswertung auf einen Testdatensatz angewendet. Bemerkenswert ist, dass das LightGBM-Modell einen AUC von 0,87 erreichte, was seine überlegene prädiktive Leistung bei der Schätzung der Wahrscheinlichkeit eines Re-Tearings nach ARCR108 demonstriert.

Obwohl Sklearn im Bereich der medizinischen Vorhersage weit verbreitet eingesetzt wird, gibt es derzeit keine direkte Literatur zu seiner Anwendung bei der Vorhersage unerwünschter Transfusionsreaktionen. Diese Lücke weist nicht auf einen technischen Defekt hin, sondern verdeutlicht vielmehr die einzigartigen Herausforderungen und das ungenutzte Potenzial bei der Vorhersage ungünstiger Transfusionsreaktionen.

Die traditionellen Methoden zur Bewertung der Risiken unerwünschter Reaktionen durch Bluttransfusionen basieren hauptsächlich auf statischen klinischen Indikatoren, retrospektiver Analyse der Krankengeschichte und standardisierten Screening-Fragebögen, die mehrere Einschränkungenaufweisen (109,110,111). TAR-Ereignisse sind äußerst selten. Die Häufigkeit von Transfusionsreaktionen in der allgemeinen, erwachsenen Bevölkerung beträgt etwa 2 %, was zu einer extrem unausgewogenen Kategorie112 führt. Dieses Ungleichgewicht führt dazu, dass Standardklassifikatoren die Genauigkeit der Mehrheitsklasse über die Minderheitenklasse stellen. Um dieses Problem zu lösen, bietet das sklearn Imbalanced-Learn Modul, wie SMOTE+ENN, eine bewährte Lösung zum Rebalancieren des Datensatzes. Zahlreiche Faktoren tragen zum Auftreten von Nebenwirkungen nach Bluttransfusionenbei. SK-learn ermöglicht eine effektive Vorverarbeitung der gesammelten Daten und erleichtert so die nachfolgende Analyse. Der Einsatz von Säulentransformatoren für heterogene Vorverarbeitung und Merkmalunion für multimodale Merkmalfusion ermöglicht eine nahtlose Integration strukturierter Daten114.115. In der klinischen Entscheidungsfindung ist Modelltransparenz entscheidend. SHAP/LIME ist kompatibel mit Sklearn-Modellen, einschließlich TreeExplainer für zufällige Wälder, und gewährleistet regulatorische Konformität bei gleichzeitiger Erhaltung der prädiktivenLeistung 116.117.

Um die besprochenen Fähigkeiten von sklearn in eine greifbare Strategie für die TAR-Vorhersage zu übersetzen, schlagen wir eine praktische Modellierungspipeline nach der etablierten Machine-Learning-Roadmap vor (Abbildung 3). Dieses Rahmenwerk ist darauf ausgelegt, die spezifischen Herausforderungen von TAR zu adressieren, wie Datenheterogenität und extreme Klassenungleichgewichte.

Die Entwicklung eines robusten prädiktiven Modells für Transfusions-Nebenwirkungen erfordert eine durchgängige analytische Pipeline. Dieser Prozess beginnt mit der Integration und Vorverarbeitung multimodaler klinischer Daten, die Patientendemografie, Vitalzeichen, Laborwerte, Transfusionsdetails und Spendercharakteristika umfassen. Heterogene Datentypen werden effizient mit dem ColumnTransformer von sklearn innerhalb einer Pipeline konsolidiert, um geeignete Skalierung und Codierung anzuwenden und so einen einheitlichen Datensatz für die Analyse zu schaffen. Ein entscheidender nachfolgender Schritt besteht darin, das tiefgreifende Klassenungleichgewicht seltener TAR-Ereignisse anzugehen; die Ziellabels, definiert durch streng bewertete Ergebnisse, können mit Techniken wie SMOTE-ENN aus der kompatiblen Bibliothek von Imbalanced-Learn neu ausbalanciert werden, um Modellverzerrung zu verhindern. Nach der Datenvorbereitung werden mehrere Algorithmen mit der konsistenten API von sklearn trainiert und ausgewertet, wobei Hyperparameter-Tuning und Kalibrierung über GridSearchCV durchgeführt werden, um die Leistung zu optimieren und zuverlässige Wahrscheinlichkeitsschätzungen sicherzustellen. Um klinisches Vertrauen zu fördern und mechanistische Einblicke zu liefern, werden die Vorhersagen des Modells mit Werkzeugen wie SHAP interpretiert, die den Beitrag bestimmter Merkmale zum Risikoscore einer Person quantifizieren können. Die Generalisierbarkeit des Modells wird dann rigoros durch robuste Techniken wie verschachtelte Kreuzvalidierung von Daten verschiedener Patientenkohorten validiert. Schließlich kann für eine mögliche klinische Übersetzung die gesamte geschulte Pipeline serialisiert und in elektronische Patientenaktensysteme integriert werden, wobei sie als Echtzeit-Entscheidungsunterstützungstool fungieren, das den Klinikern am Behandlungsort interpretierbare Risikoscores bereitstellt.

In dieser Übersicht beginnen wir mit der Einführung von TAR, fassen bestehende TAR-Modelle zusammen, stellen das Konzept des maschinellen Lernens vor, heben die Vorteile des maschinellen Lernens hervor und diskutieren dessen Anwendungen zur Krankheitsvorhersage. Wir untersuchen zudem die potenzielle Anwendung von maschinellem Lernen im TAR und geben Richtlinien für zukünftige Forscher bei der Entwicklung von TAR-SK-Lernmodellen. Darüber hinaus erläutern wir die potenzielle Rolle von SK-learn bei der Bewertung des TAR-Risikos, betonen jedoch, dass bemerkenswerte Einschränkungen seine klinische Anwendung erheblich einschränken. Aktuelle TAR-Modelle stützen sich überwiegend auf retrospektive, ein-zentrale Datensätze, die möglicherweise keine regionalen Unterschiede in Transfusionspraktiken, demografische Merkmale wie altersbedingte Unterschiede zwischen pädiatrischen und erwachsenen Populationen oder genetische Anfälligkeit über verschiedene Populationen hinweg erfassen 19,26,31,32. Darüber hinaus integrieren diese Modelle Multiomics-Daten unzureichend, einschließlich Donor-HLA-Antikörperprofile und entzündliche Proteomik des Empfängers, die entscheidend für das Verständnis immunvermittelter TAR-Mechanismen wie TALI sind. Diese Einschränkung schränkt ihre Fähigkeit ein, zwischen Immun- und Nichtimmun-Subtypen25,40 zu unterscheiden. Die Interpretierbarkeit bleibt eine zentrale Herausforderung: Während SK-learn Werkzeuge wie SHAP-Werte bereitstellt, könnten Kliniker zögern, wenn algorithmische Vorhersagen wie seltene genetische Marker keine biologische Validierung als Risikofaktor haben, diese Modelle zu übernehmen, was zu einer Diskrepanz zwischen Machine-Learning-Ergebnissen und klinischer Intuitionführt.. Auch die praktische Implementierung steht vor Herausforderungen, wie dem Bedarf an robuster Recheninfrastruktur und standardisierter Vorverarbeitung elektronischer Gesundheitsaktendaten (EHR), die in ressourcenbegrenzten Umgebungen oft nicht verfügbar sind47,87.

Um diese Lücken zu schließen, sollte zukünftige Forschung die prospektive Multicenter-Datenerhebung priorisieren, etwa die Integration von Datensätzen aus internationalen TAR-Registern, einschließlich des britischen SHOT-Systems und chinesischer pädiatrischer Kohorten, um Selektionsverzerrung zu reduzieren und die Modellgeneralisierbarkeitzu verbessern 19,36. Die Einbeziehung multimodaler Daten, einschließlich der Einzelzell-RNA-Sequenzierung von Spenderblut und entzündlichen Proteinmarkern, in die SK-learn-Pipeline könnte die TAR-Subtypklassifikation verbessern, ähnlich der 12–24%igen Verbesserung der Sensitivität in Tuberkulose-Arzneimittelresistenzstudien73. Die Zusammenarbeit mit Immunologen zur Validierung von Mechanismen, wie etwa der Verbindung von SK-learn-identifizierten Risikomerkmalen – spezifischen HLA-Antikörperkombinationen – mit in-vitro-Komplementaktivierungstests kann die Lücke zwischen algorithmischen Vorhersagen und biologischen Mechanismen überbrücken22,24. Die Entwicklung benutzerfreundlicher klinischer Entscheidungsunterstützungstools, die in der Lage sind, Echtzeitfunktionen aus EHRs automatisch zu extrahieren, wie Transfusionsvolumen und BNP-Werte, sowie interpretierbare Risikoscores neben traditionellen diagnostischen Kriterien bereitzustellen, ist für eine nahtlose Integration in klinische Arbeitsabläufeunerlässlich.

Im Vergleich zu traditionellen TAR-Modellen wie ABO/Rh-Matching und TRACK-Werten bietet SK-Learn erhebliche Vorteile. Beispielsweise sind Ensemble-Algorithmen wie LightGBM hervorragend darin, nichtlineare Interaktionen zwischen Risikofaktoren wie Donor-Anti-HLA-Antikörpern und IL-6-Spiegeln des Empfängers zu modellieren, was zu einer Erhöhung der Sensitivität um 12–24 % in Antibiotikaresistenzvorhersagestudien führt. Datenbasierte Feature-Priorisierungswerkzeuge, wie die Bedeutung der Permutationsmerkmale, können neuartige Risikoindikatoren identifizieren, darunter die Lagerdauer von Blut und unentdeckte Komplikationen, die über vordefiniertes klinisches Wissenhinausgehen 45,93. Darüber hinaus machen seine Open-Source-Architektur und moderate Rechenanforderungen es in ressourcenbegrenzten Umgebungen anwendbar, im Gegensatz zu Deep-Learning-Frameworks69,93.

Um dieses Potenzial in klinische Wirkung umzusetzen, muss sich zukünftige Arbeit auf mehrere Schlüsselbereiche konzentrieren. Erstens ist eine prospektive, multizentrische Datenerhebung unerlässlich, um Selektionsverzerrung zu überwinden und die Modellgeneralisierbarkeit über verschiedene Populationen hinweg zu verbessern. Zweitens bietet die Integration multimodaler Daten (z. B. Spender-Antikörperprofile, Empfänger-Entzündungsmarker) einen umfassenderen Funktionsumfang, der es den sklearn-Modellen ermöglicht, TAR-Subtypen besser zu unterscheiden und komplexe Risikointeraktionen zu erfassen. Drittens ist die biologische Validierung algorithmisch identifizierter Risikomerkmale (z. B. die Verknüpfung spezifischer HLA-Antikörper mit In-vitro-Assays) entscheidend, um die Lücke zwischen statistischer Vorhersage und mechanistischem Verständnis zu schließen und so klinisches Vertrauen aufzubauen. Schließlich wird die Entwicklung benutzerfreundlicher, interpretierbarer klinischer Werkzeuge, die Echtzeit-Risikoscores bereitstellen, die nahtlose Integration dieser Modelle in den routinemäßigen Arbeitsablauf erleichtern und so das Paradigma vom Reaktionsmanagement zur präventiven Prävention verschieben.

Abschließend unterstreicht diese Übersicht das transformative Potenzial von SK-learn bei der Risikobewertung von Bluttransfusionen und adressiert die Grenzen traditioneller regelbasierter Methoden. Durch die Integration komplexer klinischer Daten, die Priorisierung von Risikomerkmalen und die Bereitstellung interpretierbarer Vorhersagen bildet SK-learn ein Grundpfeiler der Präzisionstransfusionsmedizin. Die Verwirklichung dieses Potenzials erfordert jedoch interdisziplinäre Zusammenarbeit, groß angelegte multizentrische Validierung von SK-learn-Modellen, Integration von Multiomics und Echtzeit-klinischen Daten sowie die Entwicklung klinikerfreundlicher Werkzeuge, um algorithmische Erkenntnisse mit biologischen Mechanismen zu verbinden.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Schlussfolgerungen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

figure-results-1
Abbildung 1: Abbildung der TAR-Kategorien und des aktuellen Risikobewertungsmodells kombiniert mit potenziellen SK-learn-Strategien in der TAR-Risikobewertung. (A) TAR lässt sich in zwei Typen unterteilen: immunvermittelte und nicht-immunvermittelte Reaktionen. (B) Aktuelle Risikobewertungsmodelle, ...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Offenlegungen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Die Autoren erklären, dass sie keine konkurrierenden Interessen haben.

Danksagungen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Diese Arbeit wurde vom Luzhou Science and Technology Bureau unterstützt, Nr. 2024JYJ034, Titel: Auswirkungen der Bestrahlung und Speicherzeit auf extrazelluläre Vesikel in Thrombozytenkonzentraten.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Referenzen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Tanhehco, Y. C. Red blood cell transfusion. Clin Lab Med. 41 (4), 611-619 (2021).
  2. Albright, C. M., Spillane, T. E., Hughes, B. L., Rouse, D. J. A regression model for prediction of cesarean-associated blood transfusion. Am J Perinatol. 36 (9), 879-885 (2019).
  3. Abdallah, R., Rai, H., Panch, S. R. Transfusion reactions and adverse events. Clin Lab Med. 41 (4), 669-696 (2021).
  4. Wang, Y., Rao, Q., Li, X. Adverse transfusion reactions and what we can do. Expert Rev Hematol. 15 (8), 711-726 (2022).
  5. Chen, C., et al. Incidence and risk factor of blood transfusion after abdominal radical hysterectomy for cervical cancer: A 10-year retrospective study of the us nationwide inpatient sample. BMC Cancer. 24 (1), 1454(2024).
  6. Deb, J., et al. Delayed haemolytic transfusion reaction due to kidd antibodies. Transfus Clin Biol. 29 (3), 269-272 (2022).
  7. Gehrie, E. A., Savani, B. N., Booth, G. S. Risk factors for hemolytic transfusion reactions resulting from abo and minor red cell antigen incompatibility: From mislabeled samples to stem cell transplant and sickle cell disease. Blood Rev. 45, 100719(2021).
  8. Maitland, K., et al. Transfusion management of severe anaemia in african children: A consensus algorithm. Br J Haematol. 193 (6), 1247-1259 (2021).
  9. McCullagh, J., et al. Assessing the risks of haemolysis as an adverse reaction following the transfusion of abo incompatible plasma-containing components - a scoping review. Blood Rev. 56, 100989(2022).
  10. Beam, A. L., Kohane, I. S. Big data and machine learning in health care. Jama. 319 (13), 1317-1318 (2018).
  11. Nwanosike, E. M., Conway, B. R., Merchant, H. A., Hasan, S. S. Potential applications and performance of machine learning techniques and algorithms in clinical practice: A systematic review. Int J Med Inform. 159, 104679(2022).
  12. Zhang, G., et al. A machine learning model based on ultrasound image features to assess the risk of sentinel lymph node metastasis in breast cancer patients: Applications of scikit-learn and shap. Front Oncol. 12, 944569(2022).
  13. Poly, T. N., Islam, M. M., Li, Y. J. Early diabetes prediction: A comparative study using machine learning techniques. Stud Health Technol Inform. 295, 409-413 (2022).
  14. Esteva, A., et al. Dermatologist-level classification of skin cancer with deep neural networks. Nature. 542 (7639), 115-118 (2017).
  15. Zhou, D., et al. A machine learning model for predicting diabetic nephropathy based on tg/cys-c ratio and five clinical indicators. Diabetes Metab Syndr Obes. 18, 955-967 (2025).
  16. Li, N., Down, D. G. Deep learning for platelet transfusion. Blood. 142 (26), 2231-2232 (2023).
  17. Lou, S. S., et al. Personalized surgical transfusion risk prediction using machine learning to guide preoperative type and screen orders. Anesthesiology. 137 (1), 55-66 (2022).
  18. Kulhas Celik, I., et al. Frequency and clinical characteristics of allergic transfusion reactions in children. Transfus Apher Sci. 60 (4), 103152(2021).
  19. Guo, K., et al. Transfusion reactions in pediatric patients: An analysis of 5 years of hemovigilance data from a national center for children's health in china. Front Pediatr. 9, 660297(2021).
  20. Thein, S. L., et al. Hemolytic transfusion reactions in sickle cell disease: Underappreciated and potentially fatal. Haematologica. 105 (3), 539-544 (2020).
  21. Chin, J. L. J., et al. Poor utility of current nomograms assessing the risk of intraoperative blood transfusion in patients undergoing liver resection for hepatocellular carcinoma and proposal of a new model. Surgery. 172 (5), 1442-1447 (2022).
  22. Nguyen, N. T., Titze, T. L., Nissen-Meyer, L. S. H. Evaluation of transfusion reactions in patients following transfusion of blood components containing antibodies to hla class i - an attempt to prevent trali in patients. Transfus Apher Sci. 63 (4), 103970(2024).
  23. Saadah, N. H., et al. Transition from fresh frozen plasma to solvent/detergent plasma in the netherlands: Comparing clinical use and transfusion reaction risks. Haematologica. 105 (4), 1158-1165 (2020).
  24. Yanagisawa, R., Yamanaka, M., Kawakami, F., Nakazawa, H. Sub-pollen in platelet products: A potential cause of allergic transfusion reactions. Allergol Int. 73 (1), 184-186 (2024).
  25. Kiely, P., et al. Erratum to "emerging infectious diseases and blood safety: Modeling the transfusion-transmission risk" (transfusion medicine reviews 31/3 [2017] 154-164). Transfus Med Rev. 32 (1), 66-68 (2018).
  26. Mangala, C., et al. Prevalence and factors associated with transfusion-transmissible infections (hiv, hbv, hcv and syphilis) among blood donors in gabon: Systematic review and meta-analysis. PLoS One. 19 (8), e0307101(2024).
  27. McManus, H., et al. Risk of variant creutzfeldt-jakob disease transmission by blood transfusion in australia. Vox Sang. 117 (8), 1016-1026 (2022).
  28. Shahi, N., et al. Decision-making in pediatric blunt solid organ injury: A deep learning approach to predict massive transfusion, need for operative management, and mortality risk. J Pediatr Surg. 56 (2), 379-384 (2021).
  29. Rogers, M. A., Rohde, J. M., Blumberg, N. Haemovigilance of reactions associated with red blood cell transfusion: Comparison across 17 countries. Vox Sang. 110 (3), 266-277 (2016).
  30. Shah, N., et al. Real-world effectiveness of voxelotor for treating sickle cell disease in the us: A large claims data analysis. Expert Rev Hematol. 15 (2), 167-173 (2022).
  31. Hanson, S. J., et al. Transfusion practices in pediatric cardiac surgery requiring cardiopulmonary bypass: A secondary analysis of a clinical database. Pediatr Crit Care Med. 22 (11), 978-987 (2021).
  32. Kohorst, M. A., et al. Transfusion reactions in pediatric and adolescent young adult haematology oncology and immune effector cell patients. EClinicalMedicine. 26, 100514(2020).
  33. Houben, N. A. M., et al. Platelet transfusion in neonatal intensive care units of 22 european countries: A prospective observational study. Lancet Reg Health Eur. 47, 101086(2024).
  34. Semple, J. W., Rebetz, J., Kapur, R. Transfusion-associated circulatory overload and transfusion-related acute lung injury. Blood. 133 (17), 1840-1853 (2019).
  35. Murphree, D., et al. Ensemble learning approaches to predicting complications of blood transfusion. Annu Int Conf IEEE Eng Med Biol Soc. 2015, 7222-7225 (2015).
  36. Bolton-Maggs, P. H., Cohen, H. Serious hazards of transfusion (shot) haemovigilance and progress is improving transfusion safety. Br J Haematol. 163 (3), 303-314 (2013).
  37. Leff, J., Romano, C. A., Gilbert, S., Nair, S. Validation study of the transfusion risk and clinical knowledge (track) tool in cardiac surgery patients: A retrospective analysis. J Cardiothorac Vasc Anesth. 33 (10), 2669-2675 (2019).
  38. Madhu Krishna, N. R., et al. Evaluation of risk scores in predicting perioperative blood transfusions in adult cardiac surgery. Ann Card Anaesth. 22 (1), 73-78 (2019).
  39. Roubinian, N. Taco and trali: Biology, risk factors, and prevention strategies. Hematology Am Soc Hematol Educ Program. 2018 (1), 585-594 (2018).
  40. Tung, J. P., et al. Transfusion-related acute lung injury (trali): Potential pathways of development, strategies for prevention and treatment, and future research directions. Blood Rev. 53, 100926(2022).
  41. Hendrickson, J. E., Fasano, R. M. Management of hemolytic transfusion reactions. Hematology Am Soc Hematol Educ Program. 2021 (1), 704-709 (2021).
  42. Nunez, T. C., Young, P. P., Holcomb, J. B., Cotton, B. A. Creation, implementation, and maturation of a massive transfusion protocol for the exsanguinating trauma patient. J Trauma. 68 (6), 1498-1505 (2010).
  43. Ohbe, H., et al. Trends in massive transfusion practice for trauma in japan from 2011 to 2020: A nationwide inpatient database study. J Intensive Care. 11 (1), 46(2023).
  44. Ahmadzia, H. K., et al. Machine learning models for prediction of maternal hemorrhage and transfusion: Model development study. JMIR Bioinform Biotechnol. 5, e52059(2024).
  45. Maynard, S., et al. Machine learning in transfusion medicine: A scoping review. Transfusion. 64 (1), 162-184 (2024).
  46. Mitterecker, A., et al. Machine learning-based prediction of transfusion. Transfusion. 60 (9), 1977-1986 (2020).
  47. Shang, G., Biggerstaff, B. J., Richardson, A. M., Gahan, M. E., Lidbury, B. A. A simulation model to estimate the risk of transfusion-transmitted arboviral infection. Transfus Apher Sci. 55 (2), 233-239 (2016).
  48. D'Alessandro, A. Red blood cell omics and machine learning in transfusion medicine: Singularity is near. Transfus Med Hemother. 50 (3), 174-183 (2023).
  49. Lopes, M. G. M., et al. Big data in transfusion medicine and artificial intelligence analysis for red blood cell quality control. Transfus Med Hemother. 50 (3), 163-173 (2023).
  50. Roubinian, N. H., et al. Donor genetic and nongenetic factors affecting red blood cell transfusion effectiveness. JCI Insight. 7 (1), e152598(2022).
  51. Toma, A., Diller, G. P., Lawler, P. R. Deep learning in medicine. JACC Adv. 1 (1), 100017(2022).
  52. Stilgoe, J. We need a weizenbaum test for ai. Science. 381 (6658), eadk0176(2023).
  53. Valkenborg, D., Rousseau, A. J., Geubbelmans, M., Burzykowski, T. Support vector machines. Am J Orthod Dentofacial Orthop. 164 (5), 754-757 (2023).
  54. Sarker, I. H. Deep learning: A comprehensive overview on techniques, taxonomy, applications and research directions. SN Comput Sci. 2 (6), 420(2021).
  55. Howell, M. D., Corrado, G. S., DeSalvo, K. B. Three epochs of artificial intelligence in health care. Jama. 331 (3), 242-244 (2024).
  56. Rauschert, S., Raubenheimer, K., Melton, P. E., Huang, R. C. Machine learning and clinical epigenetics: A review of challenges for diagnosis and classification. Clin Epigenetics. 12 (1), 51(2020).
  57. Darcy, A. M., Louie, A. K., Roberts, L. W. Machine learning and the profession of medicine. Jama. 315 (6), 551-552 (2016).
  58. Obermeyer, Z., Emanuel, E. J. Predicting the future - big data, machine learning, and clinical medicine. N Engl J Med. 375 (13), 1216-1219 (2016).
  59. Topol, E. J. High-performance medicine: The convergence of human and artificial intelligence. Nat Med. 25 (1), 44-56 (2019).
  60. McKinney, S. M., et al. International evaluation of an ai system for breast cancer screening. Nature. 577 (7788), 89-94 (2020).
  61. Coudray, N., et al. Classification and mutation prediction from non-small cell lung cancer histopathology images using deep learning. Nat Med. 24 (10), 1559-1567 (2018).
  62. Jiang, P., et al. Signatures of t cell dysfunction and exclusion predict cancer immunotherapy response. Nat Med. 24 (10), 1550-1558 (2018).
  63. Ardila, D., et al. End-to-end lung cancer screening with three-dimensional deep learning on low-dose chest computed tomography. Nat Med. 25 (6), 954-961 (2019).
  64. Tomašev, N., et al. A clinically applicable approach to continuous prediction of future acute kidney injury. Nature. 572 (7767), 116-119 (2019).
  65. Swanson, K., Wu, E., Zhang, A., Alizadeh, A. A., Zou, J. From patterns to patients: Advances in clinical machine learning for cancer diagnosis, prognosis, and treatment. Cell. 186 (8), 1772-1791 (2023).
  66. Xu, Y., et al. Medical breast ultrasound image segmentation by machine learning. Ultrasonics. 91, 1-9 (2019).
  67. Wang, S., et al. Predicting egfr mutation status in lung adenocarcinoma on computed tomography image using deep learning. Eur Respir J. 53 (3), 1800986(2019).
  68. Wu, Z., et al. Single-cell techniques and deep learning in predicting drug response. Trends Pharmacol Sci. 41 (12), 1050-1065 (2020).
  69. Tran, K. A., et al. Deep learning in cancer diagnosis, prognosis and treatment selection. Genome Med. 13 (1), 152(2021).
  70. Ha, R., et al. Convolutional neural network based breast cancer risk stratification using a mammographic dataset. Acad Radiol. 26 (4), 544-549 (2019).
  71. Ryu, H. S., et al. Automated gleason scoring and tumor quantification in prostate core needle biopsy images using deep neural networks and its comparison with pathologist-based assessment. Cancers (Basel). 11 (12), 1860(2019).
  72. Nir, G., et al. Comparison of artificial intelligence techniques to evaluate performance of a classifier for automatic grading of prostate cancer from digitized histopathologic images. JAMA Netw Open. 2 (3), e190442(2019).
  73. Ström, P., et al. Artificial intelligence for diagnosis and grading of prostate cancer in biopsies: A population-based, diagnostic study. Lancet Oncol. 21 (2), 222-232 (2020).
  74. Ehteshami Bejnordi, B., et al. Using deep convolutional neural networks to identify and classify tumor-associated stroma in diagnostic breast biopsies. Mod Pathol. 31 (10), 1502-1512 (2018).
  75. El Achi, H., Khoury, J. D. Artificial intelligence and digital microscopy applications in diagnostic hematopathology. Cancers (Basel). 12 (4), 797(2020).
  76. Poojitha, U. P., Lal Sharma, S. Hybrid unified deep learning network for highly precise gleason grading of prostate cancer. Annu Int Conf IEEE Eng Med Biol Soc. 2019, 899-903 (2019).
  77. Szklarczyk, D., et al. String v10: Protein-protein interaction networks, integrated over the tree of life. Nucleic Acids Res. 43 (Database issue), D447-D452 (2015).
  78. Vaid, A., et al. Machine learning to predict mortality and critical events in a cohort of patients with covid-19 in new york city: Model development and validation. J Med Internet Res. 22 (11), e24018(2020).
  79. Lao, J., et al. A deep learning-based radiomics model for prediction of survival in glioblastoma multiforme. Sci Rep. 7 (1), 10353(2017).
  80. Goodswen, S. J., et al. Machine learning and applications in microbiology. FEMS Microbiol Rev. 45 (5), fuab015(2021).
  81. Rajaraman, S., et al. Pre-trained convolutional neural networks as feature extractors toward improved malaria parasite detection in thin blood smear images. PeerJ. 6, e4568(2018).
  82. Hamidinekoo, A., Denton, E., Rampun, A., Honnor, K., Zwiggelaar, R. Deep learning in mammography and breast histology, an overview and future trends. Med Image Anal. 47, 45-67 (2018).
  83. Dembrower, K., et al. Comparison of a deep learning risk score and standard mammographic density score for breast cancer risk prediction. Radiology. 294 (2), 265-272 (2020).
  84. Yala, A., et al. Toward robust mammography-based models for breast cancer risk. Sci Transl Med. 13 (578), eaba4373(2021).
  85. Al-Riyami, A. Z., Gammon, R. R., Seheult, J., Arora, S., Goel, R. Artificial intelligence and transfusion education, research and practice: The view from the isbt clinical transfusion working party. Vox Sang. , 1-7 (2025).
  86. Sheikhalishahi, S., et al. Predicting blood transfusion demand in intensive care patients after surgery by comparative analysis of temporally extended data selection. BMC Med Inform Decis Mak. 24 (1), 397(2024).
  87. Zang, H., Hu, A., Xu, X., Ren, H., Xu, L. Development of machine learning models to predict perioperative blood transfusion in hip surgery. BMC Med Inform Decis Mak. 24 (1), 158(2024).
  88. Lavecchia, A., Cerchia, C. In silico methods to address polypharmacology: Current status, applications and future perspectives. Drug Discov Today. 21 (2), 288-298 (2016).
  89. Gupta, R., et al. Artificial intelligence to deep learning: Machine intelligence approach for drug discovery. Mol Divers. 25 (3), 1315-1360 (2021).
  90. Smith, J. S., Roitberg, A. E., Isayev, O. Transforming computational drug discovery with machine learning and ai. ACS Med Chem Lett. 9 (11), 1065-1069 (2018).
  91. Powles, J., Hodson, H. Google deepmind and healthcare in an age of algorithms. Health Technol (Berl). 7 (4), 351-367 (2017).
  92. Senior, A. W., et al. Improved protein structure prediction using potentials from deep learning. Nature. 577 (7792), 706-710 (2020).
  93. Abraham, A., et al. Machine learning for neuroimaging with scikit-learn. Front Neuroinform. 8, 14(2014).
  94. Dreizin, D., et al. Deep learning-based quantitative visualization and measurement of extraperitoneal hematoma volumes in patients with pelvic fractures: Potential role in personalized forecasting and decision support. J Trauma Acute Care Surg. 88 (3), 425-433 (2020).
  95. Nayshool, O., Kol, N., Javaski, E., Amariglio, N., Rechavi, G. Surviveai: Long term survival prediction of cancer patients based on somatic rna-seq expression. Cancer Inform. 21, 11769351221127875(2022).
  96. Tanaka, T. [[fundamentals] 5. Python+scikit-learn for machine learning in medical imaging]. Nihon Hoshasen Gijutsu Gakkai Zasshi. 79 (10), 1189-1193 (2023).
  97. Cohen, O., Barzilai, M., Cohen, O. Ai applications in transfusion medicine: Opportunities, challenges, and future directions. Acta Haematol. 148 (5), 516-526 (2025).
  98. Tang, M., et al. An artificial intelligence-assisted clinical framework to facilitate diagnostics and translational discovery in hematologic neoplasia. EBioMedicine. 104, 105171(2024).
  99. Urusova, L., et al. The new histological system for the diagnosis of adrenocortical cancer. Front Endocrinol (Lausanne). 14, 1218686(2023).
  100. Majumder, S. K., Ghosh, N., Gupta, P. K. Support vector machine for optical diagnosis of cancer. J Biomed Opt. 10 (2), 024034(2005).
  101. Liu, H. X., et al. Diagnosing breast cancer based on support vector machines. J Chem Inf Comput Sci. 43 (3), 900-907 (2003).
  102. Quist, J., Taylor, L., Staaf, J., Grigoriadis, A. Random forest modelling of high-dimensional mixed-type data for breast cancer classification. Cancers (Basel). 13 (5), 991(2021).
  103. Ma, B., et al. Diagnostic classification of cancers using extreme gradient boosting algorithm and multi-omics data. Comput Biol Med. 121, 103761(2020).
  104. Li, Q., et al. Xgboost-based and tumor-immune characterized gene signature for the prediction of metastatic status in breast cancer. J Transl Med. 20 (1), 177(2022).
  105. Li, H., et al. Colorectal cancer detected by machine learning models using conventional laboratory test data. Technol Cancer Res Treat. 20, 15330338211058352(2021).
  106. Tran, T., Le, U., Shi, Y. An effective up-sampling approach for breast cancer prediction with imbalanced data: A machine learning model-based comparative analysis. PLoS One. 17 (5), e0269135(2022).
  107. Weng, S. F., Reps, J., Kai, J., Garibaldi, J. M., Qureshi, N. Can machine-learning improve cardiovascular risk prediction using routine clinical data. PLoS One. 12 (4), e0174944(2017).
  108. Shinohara, I., et al. Re-tear after arthroscopic rotator cuff tear surgery: Risk analysis using machine learning. J Shoulder Elbow Surg. 33 (4), 815-822 (2024).
  109. Roubinian, N. H., et al. Incidence and clinical characteristics of transfusion-associated circulatory overload using an active surveillance algorithm. Vox Sang. 112 (1), 56-63 (2017).
  110. Vlaar, A. P. Transfusion-related acute lung injury: Current understanding and preventive strategies. Transfus Clin Biol. 19 (3), 117-124 (2012).
  111. Allain, J. P., Goodrich, R. Pathogen reduction of whole blood: Utility and feasibility. Transfus Med. 27 (Suppl 5), 320-326 (2017).
  112. Hendrickson, J. E., et al. Incidence of transfusion reactions: A multicenter study utilizing systematic active surveillance and expert adjudication. Transfusion. 56 (10), 2587-2596 (2016).
  113. Wang, K., et al. Improving risk identification of adverse outcomes in chronic heart failure using smote+enn and machine learning. Risk Manag Healthc Policy. 14, 2453-2463 (2021).
  114. Lipkova, J., et al. Artificial intelligence for multimodal data integration in oncology. Cancer Cell. 40 (10), 1095-1110 (2022).
  115. Ahn, S. Building and analyzing machine learning-based warfarin dose prediction models using scikit-learn. Transl Clin Pharmacol. 30 (4), 172-181 (2022).
  116. Nayebi, A., Tipirneni, S., Foreman, B., Reddy, C. K., Subbian, V. An empirical comparison of explainable artificial intelligence methods for clinical data: A case study on traumatic brain injury. AMIA Annu Symp Proc. 2022, 815-824 (2022).
  117. Contreras, J., Winterfeld, A., Popp, J., Bocklitz, T. Spectral zones-based shap/lime: Enhancing interpretability in spectral deep learning models through grouped feature analysis. Anal Chem. 96 (39), 15588-15597 (2024).

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Nachdrucke und Genehmigungen

Genehmigung beantragen, um den Text oder die Abbildungen dieses JoVE-Artikels zu verwenden

Genehmigung beantragen

Schlagwörter

Precision MedicineBlood TransfusionClinical Prediction ModelsModel InterpretabilityMedical Risk PredictionData Heterogeneity

Verwandte Artikel