מאמר סקירה

גישות למידת מכונה להערכת סיכונים מדויקת של תגובות שליליות לעירוי: סקירה מבוססת Scikit-Learn

DOI:

10.3791/69658

⸱

20 בינואר 2026

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

* These authors contributed equally

במאמר זה

סיכום

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

סקירה זו בוחנת את הפוטנציאל של ספריית למידת המכונה scikit-learn לחיזוי תגובות שליליות בעירוי. הוא מתאר מסגרת מונחית נתונים לשיפור הערכת הסיכונים, התמודדות עם מגבלות הגישות המסורתיות ותמיכה בפיתוח רפואה עירויי מדויקת.

תקציר

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

תגובות שליליות של עירוי דם (TARs) כוללות השפעות לא רצויות המתרחשות במהלך או לאחר עירוי דם, הנובעות ממתן דם, מוצרי דם או חומרים הקשורים לעירוי. תגובות אלו עשויות לגרום לתסמינים קליניים קלים עד חמורים, כולל תגובות אלרגיות, המוליזה ופגיעת ריאה חריפה הקשורה לעירוי (TRALI). גישות קונבנציונליות עכשוויות – כמו התאמת קבוצות דם ABO/Rh ופרוטוקולי עירוי נרחב – יכולות לשפר את תוצאות המטופלים אך לא מתייחסים לגורמים מורכבים ספציפיים למטופל. לכן, פיתוח מודל סיכון ייעודי ל-TAR הוא חיוני. אלגוריתמים של למידת מכונה (ML) יכולים לנצל מאגרי נתונים קליניים ומעבדתיים בקנה מידה גדול לבניית מודלים אבחנתיים ותחזיתיים, ולקדם רפואה מותאמת אישית ומדויקת. ראוי לציין כי אלגוריתם ה-ML של scikit-learn (SK-learn) טרם יושם ישירות להערכת סיכוני TAR; עם זאת, יעילותו בבניית מודלים דומים לחיזוי סיכונים רפואיים זכתה להכרה משמעותית. סקירה זו מציגה מסגרת מבוססת למידת מכונה לחיזוי ומניעת TAR, עם דגש מיוחד על תפקיד SK-learn בהקשרים קליניים מגוונים. הניתוח שלנו מניח את היסודות לאבחון מדויק עתידי של TAR ולפיתוח אלגוריתמים של SK-learn. חשוב לציין, הסינתזה שלנו של הספרות מצביעה על כך ש-sklearn מציעה ערכת כלים גמישה ועוצמתית למשימה זו; עם זאת, תרגומו המוצלח לפרקטיקה קלינית תלוי בהתמודדות עם אתגרים מרכזיים, כולל הטרוגניות בנתונים רב-מרכזיים וצורך בפרשנות מודלים חזקה.

מבוא

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

עירוי דם הוא התערבות מצילה חיים המשמשת בהקשרים קליניים שונים, כולל טיפול בטראומה, ניתוחים, מצבי חירום מיילדותיים, טיפולים אונקולוגיים וניהול הפרעות המטולוגיות כרוניות 1,2. למרות יתרונות טיפוליים משמעותיים, עירויי דם עלולים לגרום לתופעות לוואי שונות, הנקראות יחד תגובות שליליות של עירוי דם (TARs)3,4. TAR מייצג מצב רב-גורמי עם ביטויים הנעים מתגובות אלרגיות קלות ועד לסיבוכים חמורים. התגובות השכיחות ביותר כוללות תגובות עירוי לא המוליטיות חום (FNHTRs) ותגובות אלרגיות, עם דיווחים של כ-26 ו-21 לכל 100,000 יחידות עירוי, בהתאמה 5,6. בעוד שהתאמת קבוצות דם ABO/Rh והליכי עירוי סטנדרטיים יכולים להפחית משמעותית את הסיכון ל-TAR, ובכך להעלות את בטיחות המטופל 7,8,9. הם אינם יכולים למנוע לחלוטין אירועים אלו, במיוחד כאלה עם אטיולוגיות מורכבות או מתווכות חיסונית.

הראיות מצביעות על כך שלמידת מכונה, תת-תחום של בינה מלאכותית (AI), מסייעת באינטגרציה של נתונים מורכבים ורב-מודליים. יכולת זו משפרת את קבלת ההחלטות הקליניות, מקלה על טיפול מותאם אישית ומייעלת את השירותים הרפואיים, ובסופו של דבר משפרת את תוצאותהמטופלים 10,11. הוצג בשנת 2007, SK-learn הוא ספריית למידת מכונה בקוד פתוח בפייתון. הפונקציות המרכזיות שלו כוללות ניתוח רגרסיה המיושמת באמצעות אלגוריתמים של למידת מכונה, יחד עם סיווג, אשכולות, הפחתת ממדים, בחירת מודלים ויכולות עיבוד מוקדם12. ביישומים רפואיים, SK-learn משמש בעיקר לחיזוי מחלות, סיווג אבחוני ושכבת סיכונים קלינית13,14. לדוגמה, מחקר השתמש בספריית SK-learn כדי לבנות מודל חיזוי שהבדיל ביעילות בין נפרופתיה סוכרתית לנפרופתיה לא סוכרתית, ובכך סייע באבחון קליני וטיפול15. בהסתמך על יתרונות אלגוריתם sklearn, יעילותו בבניית מודלים לחיזוי סיכונים לתגובות שליליות לאחר עירוי (TAR) זכתה להכרה משמעותית16,17.

סקירה זו מסכנת את ההתקדמות העכשווית באלגוריתמים של למידת מכונה ב-SK-learn ומגדילה את יישומי התרגום שלהם בהקשרים מגוונים של מחלה. יתרה מזאת, הוא גם קובע מסגרת ליישום קליני עתידי של SK-learn באבחון TAR מסודר-סיכון ובמודלים חיזויים.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

סקירה ופרספקטיבה

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

סקירה כללית של TAR
פתוגנזה של TAR
TAR כולל מגוון רחב של ביטויים קליניים ומנגנונים פתופיזיולוגיים (טבלה I). תגובות אלו מסווגות בעיקר לתת-סוגים מתווכים על ידי מערכת חיסון ותת-סוגים לא מתווכים על ידי חיסון 7,9,18,19. תגובות המתווכות על ידי מערכת החיסון כוללות בדרך כלל אינטראקציות בין אנטיגן לנוגדנים, מה שמוביל להמוליזה או לתגובות דלקתיות מערכתיות. דוגמה מייצגת היא אי-התאמה ל-ABO, שיכולה לגרום לתגובות עירוי המוליטי חריפות (AHTRs). מצב זה מתבטא בחום, כאבי צד, יתר לחץ דם, קרישה תוך-כלי מפוזרת (DIC) וכשל כלייתי חריפה 7,9,20. יתרה מזאת, תגובות רגישות מסוג I עלולות לגרום לתגובות אלרגיות לעירוי, עם תופעות קליניות הנעות מאורטיקריה קלה ועד אנפילקסיס מסכן חיים. ראוי לציין שתגובות אלו קשורות לעיתים קרובות למוצרי טסיות בשל נוכחות חלבוני פלזמה תורמים שאריתיים, כולל מולקולות אלרגן תת-אבקנים 18,21,22,23. TRALI מוגדר קלינית על ידי הופעת היפוקסמיה חריפה ובצקת ריאתית לא-קרדיוגנית בתוך 6 שעות לאחר עירוי. הפתוגנזה עוסקת בעיקר בנוגדנים שמקורם בתורמים נגד אנטיגנים של לויקוציטים אנושיים (HLAs) או אנטיגנים ספציפיים לגרנולוציטים 21,22,24. ראוי לציין כי אנטיגנים מסוימים של קבוצות דם, כמו אנטיגנים של מערכת קיד, יכולים לגרום לתגובות עירוי המוליטי מאוחרות, הידועות גם כ-DHTRs, כאשר הם מכוונים על ידי נוגדנים אנטי-HLA שמקורם בתורמים. בנפרד, TRALI, שהוא סוג של פגיעת ריאה חריפה הקשורה לעירוי, מייצג ישות פתולוגית מובחנת המתווכת על ידי נוגדנים אנטי-HLA של תורם דרך מנגנוני הפעלה נויטרופילים 6,22. תגובות עירוי שאינן מתווכות חיסון כוללות מספר גורמים קליניים, כולל תגובות ספטיות הנגרמות מזיהום חיידקי, עומס נפח, המוליזה מכנית או תרמית, ועומס מחזור הדם הקשור לעירוי (TACO)9,23. תגובות עירוי ספטי נגרמות מהזרקת מוצרי דם מזוהמים בחיידקים, הנפוץ ביותר Staphylococcus spp., Staphylococcus aureus ו-Escherichia coli בטסיות, ו-Yersinia enterocolitica בתאי דם אדומים. קלינית, הם מציגים חום גבוה, נוקשות, לחץ דם נמוך ויכולים להתקדם במהירות לשוק. ראוי לציין כי עם יישום סקר פתוגנים רגישים במיוחד, הסיכון לזיהומים המועברים בעירוי (TTIs, כגון HIV, HCV) ירד באופן דרסטי. כתוצאה מכך, תגובות ספטיות, במיוחד מעירויי טסיות המאוחסנות בטמפרטורת החדר, הן כיום סיבוך זיהומי מדווח יותר בעירוי מאשר TTIs. זיהומים המועברים בעירוי, שעשויים להיגרם על ידי פתוגנים מגוונים, כגון וירוסים, חיידקים וטפילים, יכולים לעורר TAR על ידי הפעלת מערכת החיסון המולדת. סקירות שיטתיות עדכניות מדגישות כי סקר מקיף של פתוגנים אימונוגניים נותר האתגר המרכזי במניעת TAR הקשור לזיהומים 25,26,27,28 (טבלה 1).

אפידמיולוגיה של TAR
במדינות מפותחות, השכיחות הכוללת של TAR נשארת נמוכה יחסית. נתוני המעקב הנוכחיים מצביעים על כך שתגובות אלרגיות ותגובות עירוי לא-המוליטיות חום (FNHTRs) הן בין תופעות הלוואי המדווחות בשכיחות, כאשר תגובות אלרגיות שכיום נפוצות יותר מ-FNHTRs במערכות דיווח רבות. תגובות עירוי סרולוגיות מאוחרות (DSTRs) מדווחות פחות ב-5,9,29. עם זאת, TAR ממשיך להוות אתגרים קליניים משמעותיים במדינות מתפתחות ובאוכלוסיות ספציפיות, כאשר פרופיל הסיכון המוגבר נובע מגורמים רב-גורמיים, כולל שונות בפרוטוקולי סקר סטנדרטיים, נהלי טיפול במוצרי דם לא אופטימליים, שיטות עירוי הטרוגניות ונטיות גנטיות ספציפיותלאוכלוסייה 26,27. חולים עם מחלת אנמיה חרמשית רגישים במיוחד לתגובות עירוי המוליטיות ולאלואימיזציה. סיכון מוגבר זה מיוחס לדלקת כרונית, הבדלים פנוטיפיים באנטיגני תאי דם אדומים בין אוכלוסיות תורמים לבין חולי SCD ממוצא אפריקאי, וחשיפה גבוהה לאורך החיים להעברות, ולא מנוכחות ההמוגלובין החרמשי עצמו20,30. ראוי לציין כי נתוני מעקב אחרונים ממרכזים רפואיים מרכזיים בסין חשפו שכיחות גבוהה יותר של TAR אלרגי באוכלוסיות ילדים ויילודים לעומת מבוגרים, דבר הנובע מספי עירוי שונים ופרקטיקות קליניות. לעומת זאת, קבוצות אירופאיות מראות דפוס אפידמיולוגי מנוגד בקבוצות גיל אלו 19,31,32. לדוגמה, Guo, K. et al. 19 דיווחו שילדים במרכז לאומי סיני מרכזי חוו תגובות אלרגיות בתדירות גבוהה יותר ממבוגרים, בעוד שאצל יילודים, ספי ההעברה והפרקטיקות משתנים משמעותית ברחבי אירופה33.

ניסויים קליניים עדכניים המפתחים מודלים להערכת סיכונים ב-TAR משתמשים בשלוש גישות אסטרטגיות מרכזיות, הכוללות אמצעי מניעה מסודרים לפי סיכון, מערכות ניטור בזמן אמת רציף, ופרוטוקולי ניהול מותאמים אישית לאוכלוסיות בסיכון גבוה. מודלים אלו מדגימה מערכת סיווג דו-מודלית, הכוללת גם כלי סקר מקיפים עם יישום אוניברסלי למקבלי עירוי וגם אלגוריתמים חיזויים מיוחדים שנועדו לזהות תת-סוגים ספציפיים של תגובות שליליות34,35. כלי הערכת סיכונים כלליים, המדומים במערכת SHOT (סיכוני עירוי חמורים בבריטניה), משתמשים במאגרי נתונים ברמת האוכלוסייה כדי לדרוג את מקבלי העירוי. מערכות אלו מראות יעילות מיוחדת בזיהוי קבוצות בסיכון גבוה, כולל מטופלים עם היסטוריה של עירויי דם מרובים או מחלות אוטואימוניות36. שיטת הציון הקונבנציונלית של סיכון העברה וידע קליני (TRACK) עושה שימוש במדדי ביצועים סטטיים עם ערכי חיתוך קבועים מראש כדי לכמת את ביצועי המודל בתוך גבולות החלטה מוגדרים מראש. גישה זו מאפיינת את יכולת החיזוי של מודל תחת פרמטרים תפעוליים מוגבלים37. התקדמויות אחרונות הניבו כלים חדשניים לחיזוי עירוי סיכון. מערכת SCORE החדשה משלבת שישה גורמי חיזוי מאומתים קלינית להערכת ההסתברות להעברה. ניתוחים השוואתיים מראים שמודל מפושט זה משיג דיוק חיזוי וביצועי כיול דומים לציון TRACK הקונבנציונלי בעת חיזוי דרישות עירוי בניתוחי לב.38.

בנוסף למודלים ספציפיים של תגובה, רבים ממודלי ה-in vivo נחקרו לאחרונה39. TRALI הוא סיבוך קליני משמעותי שפרופיל הסיכון שלו נקבע על ידי אינטראקציה של נוגדנים אנטי-לויקוציטים/נויטרופילים (אנטי-HLA/HNA) שמקורם בתורם, ביומרקרים דלקתיים מוגברים של המקבל, כולל אינטרלוקין-6, ונפח עירוי שניתן 34,39,40. סיכון לעומס דם (TACO) הקשור לעירוי מוערך לעיתים קרובות באמצעות מערכות ניקוד קליניות המשלבות פרמטרים כמו רמות גבוהות של פפטיד נאטריורטיק מסוג B (BNP או NT-proBNP), היסטוריה של תפקוד לבבי, קצב עירוי גבוה ואיזון נוזלים חיובי. הסיכון להמוליזציה בתיווך חיסון מוערך מראש באמצעות בדיקת נוגדנים עקיפה (בדיקת קומבס עקיפה), שמזהה אלונוגדנים קליניים משמעותיים בפלזמה של המקבל. זיהוי נוגדנים אלו מאפשר בחירת יחידות דם שליליות לאנטיגן לעירוי, ובכך מונע את תגובות האנטיגן-נוגדנים שהיו גורמות להמוליזה. היסטוריית עירוי המטופל קריטית גם לזיהוי רגישות מוקדמת וסיכון לתגובות המוליטיות מאוחרות. מודלים מכניים אלו משלבים פרמטרים קליניים ומעבדתיים רב-ממדיים כדי להגדיל את דיוק תחזית התגובות השליליות 34,39,41. בנוסף, נוצרו פרוטוקולי עירוי עצום (MTPs) להפחתת תמותה הקשורה להלם דימומי אצל טראומה מדממת קשה או בניתוחים, על ידי סטנדרטיזציה של יחס תאי דם, פלזמה וטסיות דם42.43. עם זאת, פרקטיקות אלו הפחיתו את התחלואה הקשורה לעירוי, והן אינן תופסות במלואן את האינטרביציה המורכבת של משתנים אימונולוגיים ולא אימונולוגיים שמגדירים את בטיחות העירוי. מערכות ופרוטוקולים רבים קיימים אומתו בתנאים מבוקרים או קבוצות מטופלים צרות יותר, מה שהופך אותם לפחות אופטימליים בסביבות אמיתיות והטרוגניות 16,44,45,46. השינויים בפרופילי פתוגנים, שינויים באוכלוסיות התורמים ומורכבות הטיפול הרפואי המודרני מאתגרים עוד יותר את הגישות הסטטיות 25,26,47. רקע זה עורר עניין גובר ביישום למידת מכונה לשיפור הערכת סיכוני עירויי דם, תוך שילוב נתונים קליניים, ממצאי מעבדה ותחומים מתפתחים כמו מולטיאומיקס ליצירת מודלים חיזויים חזקים יותר (איור 1)48,49,50.

בניית מודל הערכת סיכונים קלינית נוכחית באמצעות למידת מכונה
למידת מכונה (ML), כפרדיגמת בינה מלאכותית בסיסית, מאפשרת קבלת החלטות אדפטיבית באמצעות גילוי אוטומטי של דפוסי נתונים סמויים ויצירה אינדוקטיבית של מודלים חיזויים, ובכך עוקפת תכנות פרוצדורלי מפורש ומאפשרת שיפור ביצועים מתמשך בתחומים מורכבים ומתפתחים, כולל אבחון רפואי וחיזוי51. התפתחות למידת המכונה עברה שלושה שלבים מובחנים: (1) תקופת היסוד, שהניחה את הבסיס התיאורטי52; (2) הרנסנס האלגוריתמי, שהתאפיין בהתקדמויות משמעותיות במכונות וקטורי תמיכה ובשיטות אנסמבל53; ו-(3) מהפכת הלמידה העמוקה, שבה רשתות נוירונים קונבולוציוניות וחוזרות, המונעות על ידי האצת GPU ונתונים גדולים, עוררו שינויים פרדיגמטיים טרנספורמטיבייםבתחומים רבים. ביישומים רפואיים, הם חוללו מהפכה באבחון תמונה רפואית ובזיהוי ביומרקרים.

מערכות למידת מכונה עכשוויות מסווגות לשלוש פרדיגמות מרכזיות המבוססות על מנגנוני הלמידה שלהן: (1) למידה מפוקחת, המתבססת על מערכי אימון מסומנים למידול חיזוי; (2) למידה ללא פיקוח, החושפת מבנים חבויים מנתונים ללא הערות; ו-(3) למידה עמוקה, המנצלת ארכיטקטורות עצביות היררכיות להפשטת תכונות אוטומטית. יחד, פרדיגמות אלו מהוות את המתודולוגיות הבסיסיות שמאחורי יישומי הבינה המלאכותית העכשוויים56.

בשנים האחרונות, למידת מכונה זכתה ליישום נרחב בפיתוח סמנים אבחנתיים רפואיים, הערכת פרוגנוזה ובניית מודלי סיכון57,58. נתונים רפואיים מציגים לעיתים קרובות ממדים גבוהים, מה שמציב אתגרים משמעותיים לניתוח יעיל בשיטותמסורתיות 14,59. טכניקות למידת מכונה מצוינות בחילוץ תכונות קריטיות ממאגרי נתונים מורכבים כאלה, ובכך מקלות על זיהוי תכונות קריטיות. היישום של למידת מכונה ברפואת עירוי מתפתח במהירות. לדוגמה, מודלים של למידת מכונה הראו ביצועים מעולים במשימות כמו סיווג תמונות רפואיות וניתוח פתולוגי, מה שהוביל לשיפורים משמעותיים בדיוק האבחון המוקדם ובשכבות הפרוגנוזה60,61. על ידי ניצול נתונים ספציפיים למטופל, כגון פרופילים גנומיים ומטבולומיים, למידת מכונה יכולה לחזות תגובות טיפול מותאמות אישית, ולקדם את תחום הרפואה המדויקת62. מעבר לחיזוי הצורך בעירוי, למידת מכונה מיושמת גם לאופטימיזציה של ניהול מוצרי הדם. מחקרים ניצלו את ה-ML למשימות כמו חיזוי שימוש בטסיות והתאמה אישית של לוחות זמנים להזמנת דם לפני הניתוח, מה שהדגים פוטנציאל לשיפור ניהול המלאי ולהפחתת בזבוז.

יתרה מזאת, למידת מכונה מאפשרת שילוב נתונים רב-מקוריים, כולל דימות, גנומיקה ורשומות בריאות אלקטרוניות (EHR), לבניית מודלים חיזויים מקיפים63. בנוסף, למידת מכונה תומכת בהתראות סיכון בזמן אמת, כגון חיזוי אלח דם למטופלי טיפול נמרץ, ומאוטומציה של תהליכי עבודה אבחוניים, ובכך מפחיתה את עומס העבודהעל אנשי מקצוע בתחום הבריאות. למידת מכונה קידמה משמעותית את הדיוק של מודלים של פרוגנוזה לסרטן ואת פיתוח היעדים על ידי שילוב נתוני מולטיאומיקס, כריית דפוסים מורכבים והאצת עיצוב תרופות. בנוסף, למידת מכונה משפרת את דיוק האבחון על ידי זיהוי דפוסים ידועים ובלתי ידועים המעידים על נוכחות או היעדרות סרטן65. מחקר סימולציה הראה כי רדיולוגים יכולים לדלג על מקרים שליליים צפויים, מה שהפחית את עומס העבודה שלהם לקריאת רק 80.7% מהממוגרפיות תוך שמירה על רגישות וסגוליות כללית. הוכח כי מודלים של CNN יכולים לשמש לסגמנט רקמות פונקציונליות מתמונות אולטרסאונד של השד, ובכך לסייע לרופאים בפרשנות ואבחוןשל תמונות אלו. הפרוגנוזה ובחירת הטיפול תלויות במידה רבה במאפייני הגידול, שרבים מהם ניתנים לחיזוי באמצעות מודלים מבוססי תמונה. חלק מהחוקרים יישמו CNN תלת-ממדי כדי לחזות את מצב המוטציה של EGFR באדנוקרצינומה ריאתית מאזורי עניין (ROIs) שנבחרו ידנית בסריקות CT, והציעו אלטרנטיבה לא פולשנית לגנוטיפינג סרטן והנחיותאסטרטגיות טיפוליות פוטנציאליות. טכנולוגיות גנומיות מתפתחות, כגון טרנסקריפטומיקה חד-תאית וטרנסקריפטומיקה מרחבית, טומנות פוטנציאל משמעותי לחולל מהפכה באפיון ההיסטופתולוגי של גידולים מוצקים. באופן ספציפי, טרנסקריפטומיקה חד-תאית מאפשרת ניתוח מפורט של הרכב התא, ומאפשרת למודלים של ML לחזות תגובות טיפול בסרטן ומנגנוני עמידות אפשריים לתרופות68.

למידה עמוקה (DL), כתת-תחום של למידת מכונה, משתמשת באלגוריתמים של רשתות עצביות רב-שכבתיות בהשראת הארכיטקטורה העצבית של המוח למידול חיזוי69. בניגוד לשיטות למידת מכונה, כמו רגרסיה לוגיסטית, שמנצלות את ארכיטקטורת הרשת העצבית שלהן, DL מאפשרת למודלים להתרחב באופן מעריכי עם עלייה בנפח הנתונים ובממדים69. DL יושם רבות ביישומים רפואיים. בשנים האחרונות, טכניקות למידה עמוקה מתפתחות אומצו באופן נרחב לאבחון סרטן, פרוגנוזה וזיהוי משטרי טיפול. ארכיטקטורות רשתות עצביות שונות, כולל פרספטרונים רב-שכבתיים (MLPs), רשתות עצביות חוזרות (RNNs) ורשתות עצביות קונבולוציוניות (CNNs), משמשות כמרכיבים יסודיים למתודולוגיות מתקדמות69. מחקרים הציגו מודל CNN המסוגל לחזות סיכון לסרטן לא רק ברמת התמונה אלא גם ברמת הפיקסלים, ומספק מפות חום המדגישות אזורים בעלי סיכון גבוה ביותר לפתח ממאירות70. השילוב של CNNים עמוקים במערכות דירוג סרטן מבוססות היסטולוגיה הוכיח את עצמו כהצלחה, כאשר מחקרים מצביעים על כך שמודלים אלו יכולים להשיג ביצועים דומים לאלו של פתולוגים אנושיים בדרגות סרטן הערמונית, השד, המעי הגס והלימפומה71,72,73,74,75. חוקרים הראו כי חלוקת רקמות סרטניות באמצעות גנרטור מבוסס CNN יכולה לסייע למסווג מבוסס CNN לחזות דרגת סרטן הערמונית76. חלק מהחוקרים השתמשו במודל רשת עצבית קונבולוציונית גרפית היברידית (GCNN) כדי למפות פרופילי ביטוי גנים לרשת האינטראקציה של חלבון-חלבון STRING (PPI), מה שמאפשר חיזוי תת-סוגים מולקולריים של סרטן השד69,77. למידת מכונה הראתה גם יישום משמעותי במחלות שאינן סרטניות, במיוחד במידול אבחון. לדוגמה, מחקרים ביצעו הכשרה ואימות חיצוניים ופרוספקטיביים של מודלים של למידת מכונה כדי לחזות תמותה ואירועים קריטיים בקרב חולי COVID-19 במגוון טווחי זמן. מודלים אלו זיהו בהצלחה מטופלים בסיכון גבוה והבהירו את הקשרים הבסיסיים התורמים לתוצאות החיזוי78. מודלים רדיומיים מסורתיים תלויים בעיקר בתכונות מהונדסות ידנית שמקורן במפורש בתמונות רפואיות. חוקרים חקרו האם תכונות עמוקות שהופקו באמצעות למידת העברה יכולות לשמש ליצירת חתימות רדיומיות לחיזוי ההישרדות הכוללת (OS) של חולי גליובלסטומה מולטיפורמה (GBM)79. בשנים האחרונות, למידת מכונה הפגינה התקדמות משמעותית במיקרוביולוגיה80. יישום מרכזי בתחום זה הוא מתן אפשרות לאנשי מקצוע בתחום הבריאות לאבחן במהירות ובדיוק את המיקרואורגניזמים האחראים למחלות זיהומיות אצל מטופלים, דבר קריטי לקביעת אסטרטגיות טיפול מתאימות. מודלים של למידת מכונה יכולים להשיג אבחנות מדויקות כאשר ניתנים להם נתוני קלט מתאימים80. הוכח כי שימוש ברשת עצבית קונבולוציונית (CNN) מאומנת מראש ככלי להוציא תכונות, בשילוב עם אימות צולב ברמת המטופל, יכול להבחין ביעילות בין תאים נגועים במלריה לתאים לא נגועים, ובכך לשפר את תהליכי הסינון של המחלה81. פותח מודל למידת מכונה המבוסס על קבוצה של 1,839 מבודדים חיידקיים מבריטניה כדי לסיווג פרופילי ההתנגדות של Mycobacterium tuberculosis (M. tuberculosis) ועד שמונה תרופות נגד שחפת (איזוניאזיד, ריפמפיצין, אתמבוטול, פיראזינמיד, ציפרופלוקסצין, מוקסיפלוקסאצין, אופלוקסאצין וסטפטומיצין), כולל שחפת עמידה לרב-תרופות. בהשוואה לשיטות קודמות, המודל הטוב ביותר שיפר את הרגישות לאיזוניאזיד, ריפמפיצין ואתרמבוטול ב-2-4%, והגיע לרגישות של 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).

לדוגמה, מודלים של DL מאומנים בדרך כלל לנתח תמונות ממוגרפיות כדי לחזות את הסבירות שחולה יפתח סרטן בעתיד82. בנוסף, חוקרים מסוימים הדגישו את היתרונות של שיטת חיזוי הסיכון הישירה הזו, ומצביעים על כך שציון הסיכון לסרטן השד שנוצר על ידי מודל הרשת העצבית הקונבולוציונית Inception-ResNet-v2 מדויק יותר מהציון שנגזר מהערכת צפיפות השד הקלינית83. באופן דומה, חוקרים מסוימים פיתחו מודל ממוגרפיה מבוסס DL שעולה על מודל הסיכון טיירר-קוזיק, המבוסס על מאפיינים קליניים כמו גיל המטופלת, בחיזוי הסיכון להתפתחות סרטן השד במשך חמש שנים בקרב נשים84.

בנוסף, למידת מכונה יושמה ברפואת עירוי דם. העניין הגובר ביישום בינה מלאכותית ברפואת עירוי דם מודגש בהכללתה בפורומים מקצועיים מרכזיים, כגון כנס ייעודי שמארגן קבוצת העבודה הקלינית של החברה הבינלאומית להעברת דם (ISBT), הבוחן את הפוטנציאל של בינה מלאכותית בפרקטיקה, חינוךומחקר של TM. עירוי דם (BT) הוא מרכיב קריטי בטיפול הרפואי למטופלים כירורגיים בטיפול נמרץ. מחקר זה ניתח נתונים מ-9,118 מטופלי טיפול נמרץ כירורגי במאגר הנתונים של UMC, תוך שימוש בלמידת מכונה לחיזוי דרישות עירוי דם. על ידי השוואת ביצועי אלגוריתמים של XGBoost ואלגוריתמים של רגרסיה לוגיסטית (LR) באמצעות נתונים מ-6 שעות לפני הקבלה לטיפול נמרץ ועד 1, 2, 3 ו-6 שעות לאחר האשפוז, המחקר חשף הבדלים משמעותיים במאפייני המטופלים בין קבוצות עירוי דם לקבוצות שאינן בהעברה. ממצאים אלו מאשרים את היתכנות למידת מכונה בחיזוי צרכי עירוי דם למטופלי טיפול נמרץ כירורגי86. עירויי דם אלוגניים נדרשים לעיתים קרובות בניתוחי מפרק הירך אך קשורים לסיכון מוגבר לתחלואה. חיזוי מדויק של דרישות עירוי הוא חיוני לצמצום בזבוז מוצרי דם ולאופטימיזציה של קבלת החלטות לפני הניתוח. מחקרים עדכניים הקימו 14 אלגוריתמים של למידת מכונה לחיזוי סיכוני עירויי, הכוללים נתוני דמוגרפיה של מטופלים, תוצאות מעבדה טרום-ניתוחית ומידע כירורגי. ביצועי המודל הוערכו באמצעות הבחנה, כיול וניתוח עקומות החלטה. הסברים תוספתיים של SHapley (SHAPs) שימשו לפרשנות המודלים, כאשר מסווג הרכס הציג את הדיוק החיזוי הגבוה ביותר, והשיג AUC של 0.85 (CI 95%: 0.81-0.88) וציון ברייר של 0.21. מודל למידת המכונה של מחקר זה הראה ביצועים חיזויים גבוהים לצרכי עירוי סביב ניתוח במפרק הירך, תוך ניצול משתנים קליניים זמינים87.

יתרה מזאת, למידת מכונה שולבה בהצלחה בעיצוב תרופות, תוך התמודדות עם אתגרים כמו זמן ועלויות חישוביות תוך שיפור האמינות88,89. על ידי ניצול סביבת קישור הליגנדה התלת-ממדית של חלבונים, למידת מכונה מקלה על קביעת מבני חלבוני המטרה, שלב מכריע בגילוי התרופות90. לדוגמה, AlphaFold, כלי מונע בינה מלאכותית, ניתן לאמן ישירות על נתוני מאגר נתוני חלבונים (PDB) ומסוגל לחזות מבני חלבון תלת-ממדיים מרצפי חומצותאמינו 91. AlphaFold עושה תהליך דו-שלבי: ראשית, CNN ממיר את רצף חומצות האמינו של החלבון למטריצות מרחק וזווית פיתול; שנית, טכניקות אופטימיזציה של גרדיאנט ממירות את המטריצות הללו למבנה התלת-ממדי92 של החלבון.

Scikit-learn (sklearn) היא ספריית למידת מכונה מבוססת פייתון, שזכתה לשבחים רבים בזכות קלות השימוש שלה, התיעוד הנרחב והתמיכה הקהילתית החזקה שלה93. הוא מספק אוסף מקיף של שיטות מפוקחות, כגון רגרסיה לוגיסטית, מכונות וקטוריות תומכות, ויערות אקראיים, וכן שיטות לא מפוקחות, כולל אשכולות והפחתת ממד93. הוא גם מספק צינורות שמייעלים עיבוד נתונים מוקדם, אימון מודלים, אימות צולב וכוונון היפרפרמטרים במסגרת מאוחדת93. כלים לפרשנות מודל, כולל חשיבות תכונות פרמוטציה וגרפים של תלות חלקית, לצד שיטות אנסמבל מתקדמות כמו יער אקראי והגברת גרדיאנט, מציגים באופן עקבי ביצועים חיזויים חזקים בהקשרי בריאות45,93.

בהתחשב בתכונות אלו, SK-learn שימש רבות במחקר רפואי למשימות כגון אבחון מחלות12,94, חיזוי זמני הישרדות95, ניתוח מאגרי דימות גדולים96, ובניית מודלים לחיזוי סיכון לשימוש בעירוי97. סעיף זה מספק בחינה מפורטת של מקרי היישום הספציפיים והיישום הטכני ומדגים את היתרונות של SK-learn בבניית מודלים לאבחון מחלות והערכת סיכונים (איור 2). עם דגש מיוחד על תחום הסרטן, שבו יישומיו נרחבים ובוגרים ביותר, אנו מנתחים פרקטיקות מוצלחות ומתמודדים עם אתגריםקיימים 12,93,95,98. בנוסף, אנו בוחנים כיצד תובנות אלו יכולות לשמש מקורות השראה ומקורות חשובים לפיתוח מודלים לחיזוי סיכונים ב-TAR.

SK-learn מספקת מסגרת אלגוריתמית חזקה המשלבת טכניקות למידת מכונה מסורתיות – כולל מכונות וקטוריות תמיכה (SVMs), יערות אקראיים ורגרסיה לוגיסטית – עם גישות למידה עמוקה כמו מסווג Perceptron רב-שכבתי (MLP), מה שהופך אותו למתאים במיוחד למידול מערכי נתונים מגוונים של סרטן. לדוגמה, בפיתוח מערכת היסטולוגית חדשה לאבחון קרצינומה אדרנוקורטיקלית, חוקרים השתמשו בספריית sklearn בפייתון כדי לבנות מודל מתמטי רב-ממדי. מודל זה השיג דיוק אבחוני כולל של 100%, והדגים יישום רחב בכל הווריאנטים המורפולוגיים99.

יתרה מזאת, כלי SK-learn, GridSearchCV ו-RandomizedSearchCV מאפשרים אופטימיזציה אוטומטית של היפרפרמטרים. לדוגמה, בעת חיזוי גרורות בבלוטות הלימפה, הפרמטרים של מודל XGBoost כוונו במדויק באמצעות אימות צולב, מה שהוביל לערך AUC של 0.95212. לדוגמה, מכונת וקטור התמיכה (SVM) מציגה ביצועים מעולים במשימות סיווג סרטן השד. פונקציית הליבה הלא-ליניארית שלו מאפשרת עיבוד יעיל של נתוני הדמיה במימד גבוה. מחקר שניתח נתונים ספקטרליים של חולי סרטן הפה חשף כי SVM, בשילוב עם הסרת תכונות רקורסיבית (RFE), השיג רגישות של 95% וסגוליות של 96%, ועקף משמעותית את ניתוח פישר הליניארי המבחין (FLD)100. בנוסף, ניתוח השוואתי שנערך על מאגר הנתונים של סרטן השד של UCI הראה כי SVM הציג ביצועים טובים יותר הן באשכולות K-means והן ברשתות עצביות מלאכותיות מבחינת דיוק סיווג ויכולת הכללה101. היכולת של SVM לטפל בנתונים בממדים גבוהים רלוונטית באותה מידה לחיזוי TAR, שבו המודלים חייבים לשלב פרמטרים קליניים ומעבדתיים רבים.

שיטת היער האקראי מדגימה ביצועים מעולים בניתוח חשיבות תכונות. חלק מהחוקרים השתמשו ביערות אקראיים כדי לשלב נתונים גנומיים וקליניים ולזהות מאפיינים מרכזיים הקשורים לתחזית סרטן השד. תוצאות האשכול היו קשורות באופן מובהק לתוצאות קליניות102. גישה זו יכולה להיות מועברת ישירות למודלים של TAR כדי לזהות את גורמי הסיכון המשפיעים ביותר, כגון נוגדנים ספציפיים לתורמים או סמנים דלקתיים למקבל, מתוך מגוון רחב של מאפיינים מועמדים.

XGBoost, כאלגוריתם מייצג להגברת גרדיאנט, מדגים ביצועים יוצאי דופן בחיזוי שלבי סרטן. מחקר שהתבסס על נתוני מולטיאומיקס מ-TCGA הראה כי XGBoost, בשילוב עם תכונות מתילציה של DNA, יכול לשפר עוד יותר את ביצועי החיזוי של מודל הסיווג103. במחקר נוסף על גרורות סרטן השד, XGBoost אופטימיזציה את ההיפרפרמטרים שלה באמצעות Grid-Search CV ושלבה עם ויזואליזציה של ערך SHAP. שישה גנים מרכזיים, כגון SQSTM1 ו-GDF9, זוהו בהצלחה. ה-AUC של המודל הגיע ל-0.82, וסיפק סמנים ביולוגיים חדשים לחיזוי סיכון גרורות104. השילוב של שיטות קבוצתיות מתקדמות כמו XGBoost עם הסבר SHAP הוא פרדיגמה עוצמתית שניתן לאמץ במודלים של TAR כדי לספק לרופאים הערכות סיכון שקופות ומעשיות.

SK-learn מספקת ערכת כלים סטנדרטית לעיבוד נתונים מוקדם שמטפלת ביעילות בממדיות גבוהה, חוסר איזון וערכים חסרים בנתוני סרטן. לדוגמה, בחיזוי סרטן המעי הגס, נעשה שימוש במודל רגרסיה לוגיסטית שמסנן ארבעה אינדיקטורים מרכזיים, כגון CEA והמוגלובין, לבניית מודל אבחון לא פולשני עם שטח מתחת לעקומה (AUC) של 0.849, עם ביצועים טובים משמעותית מזיהוי באמצעות סמן גידול יחיד105. מבחינת עיבוד נתונים לא מאוזן, על ידי שילוב טכניקת דגימת יתר SMOTE מספריית הלמידה הלא מאוזנת, XGBoost שיפר את הרגישות של מחלקת המיעוט (דגימות ממאירות) ב-8.36% בסיווג סרטן השד, וערך F1 הגיע ל-96.2%106.

השילוב של SK-learn עם כלים כמו SHAP ו-eli5 מספק פרשנות שקופה למודלים של סרטן. בחיזוי גרורות בלוטות הלימפה של סנטינלים בסרטן השד, מודל XGBoost המוצג באמצעות ערכי SHAP מראה כי תסמיני אולטרסאונד כמו "בלוטות לימפה חשודות" ו"ספיקולציה שולית" הן התורמות המשמעותיות ביותר לסיכון לגרורות, דבר התואם מאוד את הלוגיקה האבחנתית הקלינית12.

SK-learn הראה יתרונות משמעותיים במחקר הקשור למחלות שאינן סרטניות. מחלות שאינן סרטניות דורשות לעיתים קרובות שילוב של נתונים רב-מקוריים, כולל רשומות רפואיות אלקטרוניות (EHR), הדמיה, גנומיקה, פרוטאומיקה ואחרים. SK-learn מסוגלת לאחד רשומות EHR של מטופלים, פרופילים גנטיים ומידע על אורח החיים כדי לחזות את הסיכון למחלות נלוות בדיוק מוגבר. לדוגמה, אלגוריתם יער אקראי מ-SK-learn שימש לשילוב נתוני EHR לחיזוי סיכון למחלות לב וכלי דם. גישה זו לא רק שיפרה משמעותית את דיוק חיזוי הסיכון הקרדיווסקולרי, אלא גם הגדילה את מספר המטופלים שיכלו להפיק תועלת מהתערבויות מונעות תוך צמצום טיפולים מיותרים לאחרים107. חוקרים השתמשו בספריית למידת המכונה SK-learn של פייתון כדי לפתח ולאמן חמישה מודלים שונים של בינה מלאכותית - רגרסיה לוגיסטית, יער אקראי, AdaBoost, CATBoost ו-LightGBM - לחיזוי קרעים חוזרים בשרוול הסיבוב לאחר ניתוח לאחר תיקון שרוול סיבוב ארתרוסקופי (ARCR). המודלים המאומנים יושמו לאחר מכן על מאגר נתונים לבדיקה להערכה. ראוי לציין כי מודל LightGBM השיג AUC של 0.87, מה שהדגים את ביצועי החיזוי המעולים שלו בהערכת הסבירות לקריעה חוזרת לאחר ARCR108.

למרות ש-sklearn נמצא בשימוש נרחב בתחום החיזוי הרפואי, כיום אין ספרות ישירה על יישומו בחיזוי תגובות עירוי שליליות. פער זה אינו מצביע על פגם טכני אלא מדגיש את האתגרים הייחודיים והפוטנציאל הבלתי מנוצל של חיזוי תגובות עירוי שליליות.

השיטות המסורתיות להערכת הסיכונים לתגובות שליליות מעירוי דם מתבססות בעיקר על מדדים קליניים סטטיים, ניתוח רטרוספקטיבי של היסטוריה רפואית ושאלוני סקר סטנדרטיים, שיש להם מגבלות מרובות 109,110,111. אירועי TAR נדירים מאוד. שכיחות תגובות עירוי באוכלוסייה הבוגרת הכללית היא כ-2%, מה שמוביל לקטגוריה112 לא מאוזנת במיוחד. חוסר איזון זה גורם למיון סטנדרטי להעדיף את דיוק מעמד הרוב על פני מעמד המיעוט. כדי להתמודד עם בעיה זו, מודול sklearn imbalanced-learning, כמו SMOTE+ENN, מספק פתרון מבוסס היטב לאיזון מחדש של מערך הנתונים. גורמים רבים תורמים להופעת תגובות שליליות לאחר עירויי דם113. SK-learn מאפשר עיבוד מוקדם יעיל של נתונים שנאספו, ומקל על ניתוח עתידי. השימוש בשנאי עמודה לעיבוד מוקדם הטרוגני ואיחוד תכונות למיזוג תכונות רב-מודאלי מאפשר אינטגרציה חלקה של נתונים מובנים114,115. בקבלת החלטות קליניות, שקיפות במודלים היא קריטית. SHAP/LIME תואם למודלים של sklearn, כולל TreeExplainer ליערות אקראיים, ומבטיח עמידה ברגולציה תוך שמירה על ביצועי חיזוי116,117.

כדי לתרגם את היכולות הנדונות של sklearn לאסטרטגיה מוחשית לחיזוי TAR, אנו מציעים צינור מידול מעשי בהתאם למפת הדרכים של למידת המכונה שנקבעה (איור 3). מסגרת זו נועדה להתמודד עם האתגרים הספציפיים של TAR, כגון הטרוגניות בנתונים ואי-איזון קיצוני של מעמדות.

פיתוח מודל חיזוי חזק לתגובות שליליות בעירוי מחייב צינור אנליטי מקצה לקצה. תהליך זה מתחיל באינטגרציה ועיבוד מוקדם של נתונים קליניים רב-מודליים, הכוללים דמוגרפיה של מטופלים, סימני חיים, ערכי מעבדה, פרטי עירוי ותכונות התורם. סוגי נתונים הטרוגניים מאוחדים ביעילות באמצעות ColumnTransformer בתוך צינור של sklearn, כדי ליישם קנה מידה וקידוד מתאימים, וליצור מאגר נתונים מאוחד לניתוח. שלב קריטי נוסף כולל טיפול באי-האיזון המעמדי העמוק הטמון באירועי TAR נדירים; תוויות היעד, המוגדרות על ידי תוצאות שנבדקו בקפדנות, ניתנות לאיזון מחדש באמצעות טכניקות כמו SMOTE-ENN מספריית הלמידה הלא מאוזנת התואמת כדי למנוע הטיית מודל. לאחר הכנת הנתונים, מספר אלגוריתמים מאומנים ומוערכים באמצעות API עקבי של sklearn, כאשר כיול וכיול היפרפרמטרים מתבצעים באמצעות GridSearchCV כדי לאופטם ביצועים ולהבטיח הערכות הסתברות אמינות. כדי לטפח אמון קליני ולספק תובנות מכניות, תחזיות המודל מפורשות באמצעות כלים כמו SHAP, שיכולים לכמת את התרומה של תכונות ספציפיות לציון הסיכון של הפרט. ההכללה של המודל מאומתת בקפדנות באמצעות טכניקות חזקות כמו אימות הדדי מקונן על נתונים מקבוצות מטופלים שונות. לבסוף, לתרגום קליני פוטנציאלי, כל הצינור המיומן יכול להיות מסודר ומשולב במערכות רשומות בריאות אלקטרוניות, ומשמש ככלי תמיכה בהחלטות בזמן אמת המספק ציוני סיכון ניתנים לפרשנות לרופאים בנקודת הטיפול.

בסקירה זו, נתחיל בהצגת TAR, נסכם מודלים קיימים של TAR הקיימים, נציג את מושג למידת המכונה, נדגיש את יתרונות למידת המכונה, ונדון ביישומיו בחיזוי מחלות. אנו בוחנים עוד את היישום הפוטנציאלי של למידת מכונה ב-TAR, ומספקים קווים מנחים לחוקרים עתידיים בפיתוח מודלים של למידה ב-TAR-SK. בנוסף, אנו מרחיבים את התפקיד הפוטנציאלי של SK-learn בהערכת סיכון TAR, אך מדגישים כי מגבלות בולטות מגבילות באופן משמעותי את יישומו הקליני. מודלים נוכחיים של TAR מסתמכים בעיקר על מערכי נתונים רטרוספקטיביים של מרכז יחיד, שעשויים לא ללכוד שונות אזורית בפרקטיקות עירוי, מאפיינים דמוגרפיים כמו הבדלים בגיל בין אוכלוסיות ילדים למבוגרים, או רגישות גנטית באוכלוסיות מגוונות 19,26,31,32. יתרה מזאת, מודלים אלו משלבים באופן לא מספק נתוני מולטי-אומיקס, כולל פרופילי נוגדנים של HLA של התורמים ופרוטאומיקה דלקתית של המקבלים, שהם קריטיים להבנת מנגנוני TAR המתווכים על ידי מערכת החיסון כגון TRALI. מגבלה זו מגבילה את יכולתם להבחין בין תת-סוגים חיסוניים ולא חסינים25,40. פרשנות נותרה אתגר מרכזי: בעוד ש-SK-learn מספק כלים כמו ערכי SHAP, אם תחזיות אלגוריתמיות, כמו סמנים גנטיים נדירים, חסרות אימות ביולוגי כגורמי סיכון, קלינאים עלולים להסס לאמץ מודלים אלו, מה שמוביל לפער בין תוצאות למידת מכונה לאינטואיציה קלינית14,50. היישום המעשי מתמודד גם עם אתגרים, כגון הצורך בתשתית חישובית חזקה ובעיבוד מוקדם סטנדרטי של נתוני רשומות בריאות אלקטרוניות (EHR), שלרוב אינם זמינים בסביבות מוגבלות משאבים47,87.

כדי להתמודד עם פערים אלו, מחקר עתידי צריך לתת עדיפות לאיסוף נתונים מוב-מרכזי פוטנציאלי, כגון שילוב מערכי נתונים מרשמים בינלאומיים של TAR, כולל מערכת SHOT הבריטית וקבוצות ילדים סיניות, כדי להפחית הטיית בחירה ולשפר את הכללת המודל19,36. שילוב נתונים רב-מודליים, כולל ריצוף RNA חד-תאי של דם תורם וסמנים של חלבונים דלקתיים, בצינור SK-learn עשוי לשפר את סיווג תת-הסוג של TAR, בדומה לשיפור של 12-24% ברגישות שנצפה במחקרי חיזוי עמידות לתרופותלשחפת 73. שיתוף פעולה עם אימונולוגים לאימות מנגנונים, כגון קישור תכונות סיכון שזוהו על ידי SK-learn – שילובי נוגדנים HLA ספציפיים – לבין בדיקות הפעלה של משלים במבחנה, יכול לגשר על הפער בין תחזיות אלגוריתמיות למנגנוניםביולוגיים 22,24. פיתוח כלים ידידותיים לתמיכה בקבלת החלטות קלינית המסוגלים להפיק אוטומטית תכונות בזמן אמת מ-EHR, כגון נפח עירוי ורמות BNP, ולספק ציוני סיכון ניתנים לפרשנות לצד קריטריונים אבחנתיים מסורתיים, הוא חיוני לשילוב חלק בתהליכי עבודה קליניים 97,107.

בהשוואה למודלים מסורתיים של TAR כמו התאמת ABO/Rh ו-TRACK scores, ל-SK-learn יש יתרונות משמעותיים. לדוגמה, אלגוריתמים קבוצתיים כמו LightGBM מצטיינים במידול אינטראקציות לא ליניאריות בין גורמי סיכון, כגון נוגדנים אנטי-HLA של תורמים ורמות IL-6 במקבל, מה שמוביל לעלייה של 12-24% ברגישות במחקרי חיזוי עמידות לאנטיביוטיקה. כלי עדיפות תכונות מונחי נתונים, כגון חשיבות תכונת פרמוטציה, יכולים לזהות מדדי סיכון חדשים, כולל משך אחסון דם וסיבוכים שלא זוהו, מעבר לידע קליני מוגדרמראש 45,93. יתרה מזאת, הארכיטקטורה בקוד פתוח ודרישות חישוב מתונות הופכות אותו לרלוונטי בסביבות מוגבלות משאבים, בניגוד למסגרות למידה עמוקה69,93.

כדי לתרגם פוטנציאל זה להשפעה קלינית, העבודה העתידית חייבת להתמקד בכמה תחומים מרכזיים. ראשית, איסוף נתונים פוטנציאלי ורב-מרכזי הוא חיוני להתגבר על הטיית בחירה ולשיפור הכללת המודל בין אוכלוסיות מגוונות. שנית, שילוב נתונים רב-מודליים (למשל, פרופילי נוגדנים של תורמים, סמנים דלקתיים של המקבל) יספק מערך תכונות מקיף יותר, שיאפשר למודלים של sklearn להבחין טוב יותר בין תת-סוגי TAR וללכוד אינטראקציות סיכון מורכבות. שלישית, אימות ביולוגי של מאפייני סיכון מזוהים על ידי אלגוריתמים (למשל, קישור נוגדני HLA ספציפיים לבדיקות מבחץ) הוא קריטי כדי לגשר על הפער בין חיזוי סטטיסטי להבנה מכנית, ובכך לבנות אמון קליני. לבסוף, פיתוח כלים קליניים ידידותיים למשתמש וניתנים לפרשנות המספקים ציוני סיכון בזמן אמת יאפשרו את השילוב החלק של מודלים אלה בזרימת העבודה השגרתית, וישנה את הפרדיגמה מניהול תגובה למניעה מונעת.

לסיכום, סקירה זו מדגישה את הפוטנציאל הטרנספורמטיבי של SK-learn בהערכת סיכון להעברת דם, תוך התייחסות למגבלות של שיטות מסורתיות מבוססות כללים. על ידי שילוב נתונים קליניים מורכבים, מתן עדיפות למאפייני סיכון ומתן תחזיות ניתנות לפרשנות, SK-learn משמש כאבן יסוד לרפואה מדויקת של עירוי דם. עם זאת, מימוש הפוטנציאל הזה דורש שיתוף פעולה בין-תחומי, אימות רב-מרכזי רחב היקף של מודלים של SK-learn, שילוב מולטי-אומיקס ונתונים קליניים בזמן אמת, ופיתוח כלים ידידותיים לרופאים לחיבור תובנות אלגוריתמיות למנגנונים ביולוגיים.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

מסקנות

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

figure-results-1
איור 1: המחשה של קטגוריות TAR ומודל הערכת הסיכון הנוכחי בשילוב עם אסטרטגיות פוטנציאליות של SK-learn בהערכת סיכון TAR. (א) ניתן לחלק את TAR לשני סוגים: תגובות מתווכות חיסון ותגובות לא מתווכות על ידי חיסונים. (ב) מודלים עדכניים להערכת סיכונים המיועדים ל-TAR. (ג) השערת SK-learn ב-TAR ת...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

גילויים

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

המחברים מצהירים שאין להם אינטרסים מתחרים.

תודות

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

עבודה זו נתמכה על ידי לשכת המדע והטכנולוגיה של לוז'ואו, מס' 2024JYJ034, כותרת: השפעות ההקרנה וזמן האחסון על וזיקולות חוץ-תאיות בריכוזי טסיות.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

מקורות

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

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

הדפסות חוזרות והרשאות

בקש הרשאה לשימוש חוזר בטקסט או באיורים של מאמר JoVE זה

בקש הרשאה

תגיות

מאמרים קשורים