Articolo di revisione

Approcci di apprendimento automatico per la valutazione precisa del rischio delle reazioni avverse alla trasfusione: una revisione basata su Scikit-learn

DOI:

10.3791/69658

⸱

20 gennaio 2026

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

* These authors contributed equally

In questo articolo

Sommario

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

Questa revisione esamina il potenziale della libreria di machine learning scikit-learn per prevedere le reazioni avverse alle trasfusioni. Descrive un quadro basato sui dati per migliorare la valutazione del rischio, affrontare le limitazioni degli approcci convenzionali e supportare lo sviluppo della medicina trasfusionale di precisione.

Abstract

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

Le reazioni avverse alla trasfusione (TAR) comprendono effetti indesiderati che si verificano durante o dopo la trasfusione di sangue, derivanti dalla somministrazione di sangue, prodotti ematici o materiali associati alla trasfusione. Queste reazioni possono causare manifestazioni cliniche da lievi a gravi, tra cui reazioni allergiche, emolisi e lesioni polmonari acute correlate alla trasfusione (TRALI). Gli approcci convenzionali attuali — come l'abbinamento tra gruppi sanguigni ABO/Rh e i protocolli di trasfusione di massa — possono migliorare gli esiti per i pazienti ma non affrontano fattori complessi specifici per il paziente. Di conseguenza, è essenziale sviluppare un modello dedicato al rischio TAR. Gli algoritmi di machine learning (ML) possono sfruttare dataset clinici e di laboratorio su larga scala per costruire modelli diagnostici e prognostici, promuovendo la medicina personalizzata e di precisione. In particolare, l'algoritmo scikit-learn (SK-learn) ML non è ancora stato applicato direttamente alla valutazione del rischio TAR; Tuttavia, la sua efficacia nella costruzione di modelli simili di previsione del rischio medico ha ottenuto un notevole riconoscimento. Questa revisione presenta un quadro basato su ML per prevedere e prevenire la TAR, con un'enfasi specifica sul ruolo di SK-learn in diversi contesti clinici. La nostra analisi getta le basi per una futura diagnosi di precisione del TAR e per lo sviluppo di algoritmi SK-learn. Fondamentalemente, la nostra sintesi della letteratura indica che sklearn offre un set di attrezzi versatile e potente per questo compito; tuttavia, la sua traduzione di successo nella pratica clinica dipende dal superamento delle principali sfide, tra cui l'eterogeneità dei dati multicentrici e la necessità di un'interpretabilità robusta del modello.

Introduzione

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

La trasfusione di sangue è un intervento salvavita utilizzato in vari contesti clinici, inclusi la cura del trauma, le procedure chirurgiche, le emergenze ostetriche, i trattamenti oncologici e la gestione di disturbi ematologicicronici 1,2. Nonostante benefici terapeutici significativi, le trasfusioni possono causare vari eventi avversi, collettivamente denominati Reazioni Avverse alla Trasfusione (TAR)3,4. Il TAR rappresenta una condizione multifattoriale con manifestazioni che vanno da lievi reazioni allergiche a gravi complicazioni. Le reazioni più frequenti includono reazioni febbrili non emolitiche trasfusionali (FNHTR) e reazioni allergiche, con incidenze segnalate di circa 26 e 21 ogni 100.000 unità trasfuse,rispettivamente 5,6. Mentre l'abbinamento dei gruppi sanguigni ABO/Rh e le procedure di trasfusione standardizzate possono ridurre significativamente il rischio di TAR, aumentando così la sicurezzadel paziente 7,8,9. Non possono prevenire completamente questi eventi, in particolare quelli con eziologie complesse o mediate dal sistema immunitario.

Le evidenze suggeriscono che il ML, un sottocampo dell'intelligenza artificiale (IA), facilita l'integrazione di dati complessi e multimodali. Questa capacità migliora il processo decisionale clinico, facilita trattamenti personalizzati e ottimizza i servizi medici, migliorando infine gli esiti per i pazienti10,11. Introdotto nel 2007, SK-learn è una libreria open source di machine learning in Python. Le sue funzionalità principali includono l'analisi di regressione implementata tramite algoritmi ML, insieme a classificazione, clustering, riduzione della dimensionalità, selezione del modello e capacità di preprocessing12. Nelle applicazioni mediche, SK-learn è impiegato principalmente per la previsione delle malattie, la classificazione diagnostica e la stratificazione del rischioclinico 13,14. Ad esempio, uno studio ha utilizzato la libreria SK-learn per costruire un modello predittivo che ha efficacemente differenziato tra nefropatia diabetica e nefropatia non diabetica, aiutando così nella diagnosi clinica e nel trattamento15. Sfruttando i vantaggi dell'algoritmo sklearn, la sua efficacia nella costruzione di modelli di previsione del rischio di reazione avversa posttrasfusione (TAR) ha ottenuto un notevolericonoscimento 16,17.

Questa revisione sintetizza i progressi attuali negli algoritmi di machine learning SK-learn e ne delinea le applicazioni traslazionali in diversi contesti di malattie. Inoltre, stabilisce anche un quadro per la futura implementazione clinica di SK-learn nella diagnosi TAR stratificata al rischio e nella modellazione predittiva.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Revisione e prospettiva

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

Panoramica della TAR
Patogenesi della TAR
La TAR comprende uno spettro diversificato di manifestazioni cliniche e meccanismi fisiopatologici (Tabella I). Queste reazioni sono principalmente classificate in sottotipi immunomediati e non mediatidal sistema immunitario 7,9,18,19. Le reazioni mediate dal sistema immunitario coinvolgono tipicamente interazioni antigene-anticorpi, portando a emolisi o risposte infiammatorie sistemiche. Un esempio rappresentativo è l'incompatibilità ABO, che può scatenare reazioni acute di trasfusione emolitica (AHTR). Questa condizione si manifesta come febbre, dolore al fianco, ipertensione, coagulazione intravascolare disseminata (CIV) e insufficienza renaleacuta 7,9,20. Inoltre, le reazioni di ipersensibilità di tipo I possono scatenare trasfusioni allergiche, con manifestazioni cliniche che vanno da una lieve orticaria a anafilassi potenzialmente letale. In particolare, queste reazioni sono frequentemente associate a prodotti piastrinose a causa della presenza di proteine plasmatiche residue da donatore, incluse le molecole di allergenisubpollinici 18,21,22,23. TRALI è definita clinicamente dall'insorgenza acuta di iposemia e edema polmonare non cardiogenico entro 6 ore dalla trasfusione. La patogenesi coinvolge principalmente anticorpi derivati dal donatore contro gli antigeni leucociti umani (HLA) o antigeni specifici pergranulociti 21,22,24. In particolare, alcuni antigeni del gruppo sanguigno, come gli antigeni del sistema Kidd, possono scatenare reazioni di trasfusione emolitica ritardate, note anche come DHTR, quando sono colpiti da anticorpi anti-HLA derivati dal donatore. Separatamente, TRALI, che è un tipo di lesione polmonare acuta correlata alla trasfusione, rappresenta un'entità patologica distinta mediata da anticorpi anti-HLA del donatore tramite meccanismi di attivazione deineutrofili 6,22. Le reazioni trasfusionali non mediate dal sistema immunitario comprendono diverse entità cliniche, tra cui reazioni settiche dovute a contaminazione batterica, sovraccarico di volume, emolisi meccanica o termica e sovraccarico circolatorio associato alla trasfusione (TACO)9,23. Le reazioni di trasfusione settica derivano dall'infusione di prodotti ematici contaminati da batteri, più comunemente Staphylococcus spp., Staphylococcus aureus ed Escherichia coli nelle piastrine, e Yersinia enterocolitica nei globuli rossi. Clinicamente, si manifestano con febbre alta, rigori, ipotensione e possono rapidamente evolvere in shock. In particolare, con l'implementazione dello screening per patogeni altamente sensibili, il rischio di infezioni trasmesse classiche (TTI, ad esempio HIV, HCV) è stato drasticamente ridotto. Di conseguenza, le reazioni settiche, in particolare dalle trasfusioni piastrine conservate a temperatura ambiente, sono ora una complicanza infettiva più frequentemente segnalata rispetto alle TTI. Le infezioni trasmissibili tramite trasfusione, che possono essere causate da diversi patogeni, come virus, batteri e parassiti, possono scatenare la TAR attivando il sistema immunitario innato. Recenti revisioni sistematiche evidenziano che uno screening completo dei patogeni immunogeni rimane la principale sfida nella prevenzione del TAR correlato all'infezione 25,26,27,28 (Tabella 1).

Epidemiologia della TAR
Nei paesi sviluppati, l'incidenza complessiva della TAR rimane relativamente bassa. I dati di sorveglianza attuali indicano che le reazioni allergiche e le reazioni febbrili a trasfusione non emolitiche (FNHTR) sono tra gli eventi avversi più frequentemente segnalati, con le reazioni allergiche ora più comuni rispetto alle FNHTR in molti sistemi di segnalazione. Le reazioni sierologiche ritardate (DSTR) sono meno frequentementesegnalate 5,9,29. Tuttavia, il TAR continua a presentare notevoli sfide cliniche nei paesi in via di sviluppo e in popolazioni specifiche, con questo profilo di rischio elevato derivante da determinanti multifattoriali, tra cui variazioni nei protocolli di screening standardizzati, procedure di gestione subottimale dei prodotti ematici, pratiche di trasfusione eterogenee e predisposizioni genetiche specifiche perpopolazione 26,27. I pazienti con anemia falciforme sono particolarmente suscettibili alle reazioni di trasfusione emolitica e alloimmunizzazione. Questo rischio elevato è attribuito a un'infiammazione cronica, alle differenze fenotipiche negli antigeni dei globuli rossi tra popolazioni prevalentemente caucasiche di donatori e pazienti con SCD di discendenza africana, e a un'elevata esposizione a trasfusioni nel corso della vita, piuttosto che alla presenza stessa di emoglobinafalciforme 20,30. In particolare, dati di sorveglianza recenti provenienti dai principali centri medici cinesi hanno rivelato un'incidenza più elevata di TAR allergica nelle popolazioni pediatriche e neonatali rispetto agli adulti, attribuibile a soglie di trasfusione e pratiche cliniche distinte. Al contrario, le coorti europee mostrano un modello epidemiologico opposto in questi gruppid'età 19, 31, 32. Ad esempio, Guo, K. et al. 19 hanno riportato che i bambini in un importante centro nazionale cinese hanno sperimentato reazioni allergiche più frequentemente degli adulti, mentre nei neonati le soglie e le pratiche trasfusionali variano significativamente inEuropa.

Gli studi clinici attuali che sviluppano modelli di valutazione del rischio TAR impiegano tre approcci strategici fondamentali che comprendono misure preventive stratificate per rischio, sistemi di monitoraggio continuo in tempo reale e protocolli di gestione personalizzati per popolazioni ad alto rischio. Questi modelli di rischio dimostrano un sistema di classificazione bimodale, che comprende sia strumenti di screening completi con applicabilità universale ai riceventi di trasfusione sia algoritmi predittivi specializzati progettati per identificare sottotipi specifici di reazioniavverse 34,35. Gli strumenti generalizzati di valutazione del rischio, esemplificati dal sistema UK Serious Hazards of Transfusion (SHOT), utilizzano dataset a livello di popolazione per stratificare i riceventi di trasfusioni. Questi sistemi dimostrano particolare efficacia nell'identificare coorti ad alto rischio, inclusi pazienti con storia di trasfusioni multiple o disturbiautoimmuni 36. La metodologia convenzionale del punteggio TRACK (Transfusion Risk and Clinical Knowledge) utilizza metriche di performance statiche con valori di soglia predefiniti per quantificare le prestazioni del modello entro i limiti decisionali predefiniti. Questo approccio caratterizza la capacità predittiva di un modello sotto parametri operativivincolati 37. I recenti progressi hanno prodotto nuovi strumenti di stratificazione del rischio per la previsione delle trasfusioni. Il nuovo sistema SCORE, sviluppato e sviluppato, incorpora sei fattori predittivi clinicamente validati per stimare la probabilità di trasfusione. Analisi comparative dimostrano che questo modello semplificato raggiunge un'accuratezza predittiva e prestazioni di calibrazione comparabili al punteggio TRACK convenzionale nella previsione dei bisogni di trasfusione nelle procedure chirurgichecardiache 38.

Oltre ai modelli di reazione specifici, molti modelli in vivo sono stati recentementestudiati 39. TRALI è una complicanza clinicamente significativa il cui profilo di rischio è determinato dall'interazione di anticorpi anti-leucociti/neutrofili (anti-HLA/HNA) derivati dal donatore, biomarcatori infiammatori elevati del ricevente, inclusa l'interleuchina-6, e il volume di trasfusionesomministrato 34,39,40. Il rischio di sovraccarico circolatorio associato alla trasfusione (TACO) viene spesso valutato utilizzando sistemi di punteggio clinico che incorporano parametri come livelli elevati di peptidi natriuretici di tipo B (BNP o NT-proBNP), una storia di disfunzione cardiaca, un tasso di trasfusione elevato e un bilancio liquido positivo. Il rischio di emolisi mediata dal sistema immunitario viene valutato preventivamente tramite lo screening degli anticorpi tramite il test indiretto delle antiglobuline (test di Coombs indiretto), che rileva alloanticorpi clinicamente significativi nel plasma del ricevente. L'identificazione di questi anticorpi consente la selezione delle unità ematiche antigene-negative per la trasfusione, prevenendo così le reazioni antigene-anticorpi che altrimenti causerebbero emolisi. La storia trasfusionale del paziente è inoltre fondamentale per identificare la sensibilizzazione precedente e il rischio di reazioni emolitiche ritardate. Questi modelli meccanicistici integrano parametri clinici e di laboratorio multidimensionali per aumentare la precisione della previsione delle reazioniavverse 34,39,41. Inoltre, sono stati generati protocolli di trasfusione di massa (MTP) per ridurre la mortalità legata allo shock emorragico in pazienti traumatisti o chirurgici con grave emormorragia, standardizzando il rapporto tra globuli rossi, plasma e piastrine42,43. Tuttavia, queste pratiche hanno ridotto la morbilità correlata alla trasfusione e non cogliono pienamente l'intricata interazione tra variabili immunologiche e non immunologiche che definiscono la sicurezza trasfusionale. Molti sistemi e protocolli di punteggio esistenti sono stati validati in condizioni controllate o in coorti di pazienti più ristrette, rendendoli subottimali in ambienti reali edeterogenei 16,44,45,46. L'evoluzione dei profili patogeni, i cambiamenti nelle popolazioni di donatori e la complessità delle cure mediche moderne mettono ulteriormente alla prova gli approccistatici 25,26,47. Questo contesto ha stimolato un crescente interesse nell'applicare il machine learning per perfezionare la valutazione del rischio trasfusionale, combinando dati clinici, risultati di laboratorio e campi emergenti come la multiomica per creare modelli predittivi più potenti (Figura 1)48,49,50.

Costruzione attuale del modello di valutazione del rischio clinico tramite machine learning
Il machine learning (ML), come paradigma fondamentale di intelligenza artificiale, consente il processo decisionale adattivo attraverso la scoperta automatica di pattern di dati latenti e la generazione induttiva di modelli predittivi, aggirando così la programmazione procedurale esplicita e permettendo un perfezionamento continuo delle prestazioni in ambiti complessi e in evoluzione, inclusi diagnostica medica eprevisione 51. L'evoluzione del machine learning ha attraversato tre fasi distinte: (1) l'era fondazionale, che ha stabilito le basiteoriche 52; (2) la rinascita algoritmica, segnata da significativi progressi nelle macchine a vettori di supporto e nei metodi di ensemble53; e (3) la rivoluzione del deep learning, dove le reti neurali convoluzionali e ricorrenti, alimentate dall'accelerazione GPU e dai big data, hanno innescato cambiamenti di paradigma trasformativi in piùcampi 54. Nelle applicazioni mediche, hanno rivoluzionato la diagnosi di immagini mediche e la rilevazione deibiomarcatori 55.

I sistemi attuali di machine learning sono suddivisi in tre paradigmi fondamentali basati sui loro meccanismi di apprendimento: (1) apprendimento supervisionato, che si basa su set di addestramento etichettati per la modellazione predittiva; (2) apprendimento non supervisionato, che scopre strutture latenti da dati non annotati; e (3) deep learning, che sfrutta architetture neurali gerarchiche per l'astrazione automatizzata delle caratteristiche. Insieme, questi paradigmi costituiscono le metodologie fondamentali che stanno alla base delle applicazioni IAcontemporanee.

Negli ultimi anni, la ML ha acquisito ampie applicazioni nello sviluppo di marcatori diagnostici medici, valutazione della prognosi e costruzione di modellidi rischio 57,58. I dati medici mostrano frequentemente un'elevata dimensionalità, il che pone sfide significative per un'analisi efficace tramite metoditradizionali 14,59. Le tecniche di ML sono eccellenti nell'estrarre caratteristiche critiche da dataset così complessi, facilitando così l'identificazione di caratteristiche cruciali. L'applicazione della ML nella medicina trasfusionista sta rapidamente emergendo. Ad esempio, i modelli ML hanno dimostrato prestazioni superiori in compiti come la classificazione delle immagini mediche e l'analisi patologica, portando a miglioramenti sostanziali nell'accuratezza della diagnosi precoce e nella stratificazione della prognosi60,61. Sfruttando dati specifici per paziente, come profili genomici e metabolomici, il ML può prevedere risposte terapeutiche personalizzate, facendo progredire il campo della medicinadi precisione 62. Oltre a prevedere la necessità della trasfusione, viene applicato anche il ML per ottimizzare la gestione dei prodotti ematici. Gli studi hanno sfruttato il ML per compiti come la previsione dell'uso delle piastrine e la personalizzazione dei programmi preoperatori degli ordini di sangue, dimostrando il potenziale per migliorare la gestione dell'inventario e ridurre lo spreco.

Inoltre, il ML consente l'integrazione di dati multifonte, inclusi imaging, genomica e cartelle cliniche elettroniche (EHR), per costruire modelli predittivicompleti 63. Inoltre, ML supporta avvisi di rischio in tempo reale, come la previsione della sepsi per i pazienti in terapia intensiva, e automatizza i flussi di lavoro diagnostici, alleviando così il carico di lavoro suiprofessionisti sanitari 64. Il ML ha notevolmente migliorato la precisione dei modelli di prognosi oncologica e dello sviluppo dei bersagli integrando dati multiomici, estraendo pattern complessi e accelerando la progettazione di farmaci. Inoltre, il machine learning migliora la precisione diagnostica identificando sia schemi noti che ignoti indicanti la presenza o l'assenza dicancro 65. Uno studio simulativo ha dimostrato che i radiologi potevano saltare i casi negativi previsti, riducendo il loro carico di lavoro a leggere solo l'80,7% delle mammografie, mantenendo al contempo sensibilità e specificità complessive. È stato dimostrato che i modelli CNN possono essere utilizzati per segmentare tessuti funzionali da immagini ecografiche al seno, aiutando così i clinici nell'interpretazione e diagnosi di questeimmagini 66. La prognosi e la selezione del trattamento dipendono fortemente dalle caratteristiche tumorali, molte delle quali possono essere predetti tramite modelli ML basati su immagini. Alcuni ricercatori hanno applicato CNN 3D per prevedere lo stato della mutazione EGFR nell'adenocarcinoma polmonare da regioni di interesse (ROI) selezionate manualmente nelle TAC, offrendo un'alternativa non invasiva alla genotipizzazione oncologica e informando potenziali strategieterapeutiche 67. Le tecnologie genomiche emergenti, come la trascritomica a singola cellula e la trascrittomica spaziale, hanno un potenziale significativo per rivoluzionare la caratterizzazione istopatologica dei tumori solidi. In particolare, la trascrittologia a singola cellula consente un'analisi dettagliata della composizione cellulare, consentendo ai modelli ML di prevedere le risposte al trattamento del cancro e i potenziali meccanismi di resistenzaai farmaci 68.

Il deep learning (DL), come sottocampo del ML, sfrutta algoritmi di reti neurali multilivello ispirati all'architettura neurale del cervello per la modellazione predittiva69. A differenza dei metodi ML, come la regressione logistica, che sfruttano la loro architettura di rete neurale, DL consente ai modelli di scalare esponenzialmente con l'aumento del volume e della dimensionalità dei dati69. La DL è stata ampiamente applicata nelle applicazioni mediche. Negli ultimi anni, le nuove tecniche di deep learning sono state ampiamente adottate per la diagnosi del cancro, la prognosi e l'identificazione di regimi terapeutici. Diverse architetture di reti neurali, tra cui i perceptroni multilivello (MLP), le reti neurali ricorrenti (RNN) e le reti neurali convoluzionali (CNN), fungono da componenti fondamentali per metodologie avanzate69. Gli studi hanno introdotto un modello CNN in grado di prevedere il rischio di cancro non solo a livello di immagine ma anche a livello di pixel, fornendo mappe di calore che evidenziano le regioni più soggette a sviluppare tumori maligni70. L'integrazione di CNN profondi nei sistemi di classificazione oncologica basati su istologia si è dimostrata efficace, con studi che indicano che questi modelli possono ottenere prestazioni paragonabili a quelle dei patologi umani nella classificazione dei tumori a prostata, seno, colon e linfoma71,72,73,74,75. I ricercatori hanno dimostrato che segmentare i tessuti tumorosi con un generatore basato su CNN può aiutare un classificatore basato su CNN a prevedere il grado di cancro alla prostata76. Alcuni ricercatori hanno utilizzato un modello ibrido di reti neurali convoluzionali a grafo (GCNN) per mappare i profili di espressione genica sulla rete di interazione proteina-proteina (PPI) STRING, permettendo la previsione dei sottotipi molecolari del cancro al seno69,77. Il machine learning ha inoltre dimostrato una significativa applicabilità nelle malattie non tumorali, in particolare nella modellazione diagnostica. Ad esempio, studi hanno condotto formazione e validazione esterna e prospettica di modelli di machine learning per prevedere la mortalità e gli eventi critici tra i pazienti COVID-19 in vari periodi di tempo. Questi modelli hanno identificato con successo i pazienti ad alto rischio e hanno chiarito le relazioni sottostanti che contribuiscono agli esiti predittivi78. I modelli radiomici tradizionali dipendono prevalentemente da caratteristiche ingegnerizzate manualmente derivate esplicitamente da immagini mediche. I ricercatori hanno esplorato se le caratteristiche profonde estratte tramite apprendimento tramite transfer learning potessero essere utilizzate per generare firme radiomiche per prevedere la sopravvivenza complessiva (OS) dei pazienti con glioblastoma multiforme (GBM)79. Negli ultimi anni, il ML ha dimostrato progressi significativi in microbiologia80. Un'applicazione chiave in questo ambito consiste nel permettere ai professionisti sanitari di diagnosticare rapidamente e con precisione i microrganismi responsabili delle malattie infettive nei pazienti, cosa fondamentale per determinare strategie terapeutiche appropriate. I modelli ML possono ottenere diagnosi precise quando forniti dati di input adeguati80. È stato dimostrato che l'uso di una rete neurale convoluzionale (CNN) pre-addestrata come estrattore di caratteristiche, combinato con la validazione incrociata a livello di paziente, può distinguere efficacemente tra cellule infette dalla malaria e quelle non infette, migliorando così i processi di screening della malattia81. È stato sviluppato un modello di apprendimento automatico basato su una coorte di 1.839 isolati batterici provenienti dal Regno Unito per classificare i profili di resistenza di Mycobacterium tuberculosis (M. tuberculosis) a otto farmaci antitubercolosi (isoniazide, rifampicina, etambutolo, pirazinamide, ciprofloxacina, moxifloxacina, ofloxacina e estreptomicina), inclusa tubercolosi multi-resistente ai farmaci. Rispetto ai metodi precedenti, il modello con le migliori prestazioni ha migliorato la sensibilità per isoniazide, rifampicina ed etambutolo del 2-4%, raggiungendo una sensibilità del 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).

Ad esempio, i modelli DL sono comunemente addestrati ad analizzare immagini mamografiche per prevedere la probabilità che un paziente sviluppi un cancro infuturo 82. Inoltre, alcuni ricercatori hanno sottolineato i vantaggi di questo metodo diretto di previsione del rischio, indicando che il punteggio di rischio del cancro al seno generato dal modello di reti neurali convoluzionali Inception-ResNet-v2 è più accurato rispetto al punteggio derivato dalla valutazione clinica della densitàmammaria 83. Analogamente, alcuni ricercatori hanno sviluppato un modello di mammografia basato sulla DL che supera il modello di rischio di Tyrer-Cuzick, che si basa su caratteristiche cliniche come l'età della paziente, nel prevedere il rischio di sviluppo di cancro al seno a cinque anni tra le donnedi 84 anni.

Inoltre, il machine learning è stato applicato nella medicina delle trasfusioni. Il crescente interesse nell'applicare l'IA alla medicina trasfusionista è sottolineato dalla sua presenza nei principali forum professionali, come una conferenza dedicata ospitata dal Clinical Transfusion Working Party della International Society of Blood Transfusion (ISBT), che esplora il potenziale dell'IA nella pratica, nell'educazione e nella ricerca della MT85. La trasfusione di sangue (BT) è una componente fondamentale dell'assistenza medica per i pazienti chirurgici in terapia intensiva. Questo studio ha analizzato dati di 9.118 pazienti in terapia intensiva chirurgica nel database UMC, utilizzando il machine learning per prevedere le esigenze di trasfusione di sangue. Confrontando le prestazioni degli algoritmi XGBoost e di regressione logistica (LR) utilizzando dati da 6 ore prima del ricovero in terapia intensiva fino a 1, 2, 3 e 6 ore dopo il ricovero, la ricerca ha rivelato differenze significative nelle caratteristiche dei pazienti tra gruppi trasfusionisti e non trasfusionisti. Questi risultati confermano la fattibilità del machine learning nella previsione delle esigenze di trasfusione di sangue per i pazienti in terapia intensivachirurgica 86. Le trasfusioni di sangue allogenee sono frequentemente necessarie negli interventi chirurgici all'anca, ma sono associate a un aumento dei rischi di morbilità. Una previsione accurata delle esigenze di trasfusione è essenziale per minimizzare gli sprechi di prodotti ematici e ottimizzare le decisioni preoperatorie. Studi recenti hanno stabilito 14 algoritmi di apprendimento automatico per prevedere i rischi di trasfusione, incorporando dati demografici dei pazienti, risultati di laboratorio preoperatori e informazioni chirurgiche. Le prestazioni del modello sono state valutate tramite discriminazione, calibrazione e analisi della curva decisionale. Le spiegazioni additive SHapley (SHAPs) sono state impiegate per interpretare i modelli, con il classificatore a cresta che ha dimostrato la massima accuratezza predittiva, ottenendo un AUC di 0,85 (IC 95%: 0,81-0,88) e un punteggio Brier di 0,21. Il modello di machine learning di questo studio ha dimostrato elevate prestazioni predittive per le esigenze di trasfusione perioperatorie nelle chirurgie all'articolazione dell'anca, utilizzando variabili clinichedisponibili 87.

Inoltre, il machine learning è stato integrato con successo nella progettazione dei farmaci, affrontando sfide come tempi e costi computazionali migliorando l'affidabilità88,89. Sfruttando l'ambiente tridimensionale di legame dei liganti delle proteine, il machine learning facilita la determinazione delle strutture proteiche bersaglio, un passo cruciale nella scoperta di farmaci90. Ad esempio, AlphaFold, uno strumento guidato dall'IA, può essere addestrato direttamente sui dati della Protein Data Bank (PDB) ed è in grado di prevedere le strutture 3D delle proteine dalle sequenze di amminoacidi91. AlphaFold utilizza un processo in due fasi: prima, una CNN converte la sequenza amminoacidica della proteina in matrici di distanza e angolo di torsione; secondo, le tecniche di ottimizzazione gradiente trasformano queste matrici nella struttura 3D dellaproteina 92.

Scikit-learn (sklearn) è una libreria di machine learning basata su Python ampiamente acclamata per la sua facilità d'uso, la documentazione estesa e il robusto supporto della comunità93. Fornisce una raccolta completa di metodi supervisionati, come la regressione logistica, le macchine a vettori di supporto e le foreste casuali, oltre a metodi non supervisionati, tra cui clustering e riduzione della dimensionalità93. Fornisce inoltre Pipeline che semplificano la pre-elaborazione dei dati, l'addestramento dei modelli, la validazione incrociata e la regolazione degli iperparametri in un frameworkunificato 93. Gli strumenti per l'interpretabilità del modello, inclusi i grafici di importanza delle caratteristiche di permutazione e i grafici di dipendenza parziale, insieme a metodi avanzati di ensemble come la foresta casuale e il gradient boosting, mostrano costantemente prestazioni predittive robuste nei contesti sanitari45,93.

Grazie a queste caratteristiche, SK-learn è stato ampiamente utilizzato nella ricerca medica per compiti come la diagnosi di malattie12,94, la previsione della sopravvivenzaper 95, l'analisi di grandi dataset di imaging96 e la costruzione di modelli di previsione del rischio per l'uso delletrasfusioni 97. Questa sezione fornisce un esame dettagliato dei casi applicativi specifici e dell'implementazione tecnica e dimostra i vantaggi di SK-learn nella costruzione di modelli di diagnosi e valutazione del rischio di malattie (Figura 2). Con particolare attenzione al campo del cancro, dove le sue applicazioni sono più estese e mature, analizziamo le pratiche di successo e affrontiamo le sfide esistenti 12,93,95,98. Inoltre, esploriamo come queste intuizioni possano servire come preziosi riferimenti e ispirazioni per lo sviluppo di modelli di previsione del rischio TAR.

SK-learn fornisce un solido framework algoritmico che integra tecniche tradizionali di machine learning — incluse le macchine a vettori di supporto (SVM), le foreste random e la regressione logistica — con approcci di deep learning come il classificatore multilayer perceptron (MLP), rendendolo particolarmente adatto per la modellazione di diversi dataset oncologici. Ad esempio, nello sviluppo di un nuovo sistema istologico per la diagnosi del carcinoma adrenocorticale, i ricercatori hanno utilizzato la libreria sklearn in Python per costruire un modello matematico multidimensionale. Questo modello ha raggiunto un'accuratezza diagnostica complessiva del 100%, dimostrando un'ampia applicabilità su tutte le variantimorfologiche 99.

Inoltre, SK-learn, GridSearchCV e RandomizedSearchCV consentono l'ottimizzazione automatica degli iperparametri. Ad esempio, nella previsione della metastasi dei linfonodi, i parametri di un modello XGBoost sono stati finemente calibrati tramite validazione incrociata, risultando in un valore AUC di 0,95212. Ad esempio, la macchina a vettore di supporto (SVM) mostra prestazioni superiori nei compiti di classificazione del cancro al seno. La sua funzione kernel non lineare consente un'elaborazione efficace di dati di imaging ad alta dimensione. Uno studio che analizza dati spettrali di pazienti oncologici orali ha rivelato che la SVM, combinata con l'eliminazione ricorsiva delle caratteristiche (RFE), ha raggiunto una sensibilità del 95% e una specificità del 96%, superando significativamente la tradizionale analisi discriminante lineare di Fisher (FLD)100. Inoltre, un'analisi comparativa condotta sul dataset UCI sul cancro al seno ha dimostrato che SVM ha superato sia il clustering K-means sia le reti neurali artificiali in termini di accuratezza della classificazione e capacità digeneralizzazione 101. La capacità della SVM di gestire dati ad alta dimensione è altrettanto rilevante per la previsione del TAR, dove i modelli devono integrare numerosi parametri clinici e di laboratorio.

Il metodo della foresta casuale dimostra prestazioni superiori nell'analisi dell'importanza delle caratteristiche. Alcuni ricercatori hanno utilizzato foreste casuali per integrare dati genomici e clinici e identificare caratteristiche chiave legate alla prognosi del cancro al seno. I risultati del clustering sono stati significativamente correlati con gli esiticlinici 102. Questo approccio può essere trasferito direttamente alla modellizzazione TAR per identificare i fattori di rischio più influenti, come anticorpi specifici del donatore o marcatori infiammatori del ricevente, da una vasta gamma di caratteristiche candidate.

XGBoost, come algoritmo rappresentativo di gradiente potenziante, dimostra prestazioni eccezionali nella previsione dello stadio del cancro. Uno studio basato su dati multiomici del TCGA ha indicato che XGBoost, combinato con le caratteristiche di metilazione del DNA, può migliorare ulteriormente le prestazioni predittive del modellodi classificazione 103. In un altro studio sulla metastasi del cancro al seno, XGBoost ha ottimizzato i suoi iperparametri tramite Grid-Search CV ed è stato combinato con la visualizzazione dei valori SHAP. Sei geni chiave, come SQSTM1 e GDF9, sono stati identificati con successo. L'AUC del modello ha raggiunto 0,82, fornendo nuovi biomarcatori per la previsione del rischiodi metastasi 104. La combinazione di metodi di ensemble ad alte prestazioni come XGBoost con la spiegazione SHAP è un paradigma potente che può essere adottato per i modelli TAR per fornire ai clinici valutazioni del rischio trasparenti e applicabili.

SK-learn fornisce un toolkit standardizzato di pre-elaborazione dei dati che affronta efficacemente l'elevata dimensionalità, lo squilibrio e i valori mancanti nei dati sul cancro. Ad esempio, nella previsione del cancro colorettale, è stato utilizzato un modello di regressione logistica che analizza quattro indicatori fondamentali, come CEA ed emoglobina, per costruire un modello diagnostico non invasivo con un'area sotto la curva (AUC) di 0,849, superando significativamente la rilevazione tramite un singolo marcatoretumorale 105. In termini di elaborazione dati sbilanciata, combinando la tecnica di sovracampionamento SMOTE dalla libreria di apprendimento squilibrato, XGBoost ha migliorato la sensibilità della classe minoritaria (campioni maligni) dell'8,36% nella classificazione del cancro al seno, e il valore F1 ha raggiunto il 96,2%.

La combinazione di SK-learn con strumenti come SHAP ed eli5 offre un'interpretabilità trasparente per i modelli oncologici. Nella previsione della metastasi dei linfonodi sentinella nel cancro al seno, il modello XGBoost visualizzato tramite valori SHAP mostra che caratteristiche ecografiarie come "linfonodi sospetti" e "spiculazione marginale" contribuiscono maggiormente al rischio di metastasi, il che è altamente coerente con la logica diagnosticaclinica 12.

SK-learn ha dimostrato vantaggi sostanziali nella ricerca relative alle malattie non tumorali. Le malattie non tumorali spesso richiedono l'integrazione di dati multifono, inclusi cartelli clinici elettronici (EHR), imaging, genomica, proteomica e altri. SK-learn è in grado di consolidare le EHR dei pazienti, i profili genetici e le informazioni sullo stile di vita per prevedere il rischio di malattie associate con maggiore precisione. Ad esempio, è stato utilizzato un algoritmo di foresta casuale di SK-learn per integrare i dati EHR al fine di prevedere il rischio di malattie cardiovascolari. Questo approccio non solo migliorò significativamente l'accuratezza della previsione del rischio cardiovascolare, ma incrementò anche il numero di pazienti che potevano beneficiare di interventi preventivi, minimizzando al contempo trattamenti non necessari per glialtri 107. I ricercatori hanno utilizzato la libreria di machine learning SK-learn di Python per sviluppare e addestrare cinque distinti modelli di IA - regressione logistica, foresta casuale, AdaBoost, CATBoost e LightGBM - per prevedere le ri-lesioni postoperatorie della cuffia dei rotatori dopo la riparazione artroscopica della cuffia dei rotatori (ARCR). I modelli addestrati sono stati successivamente applicati a un dataset di prova per la valutazione. In particolare, il modello LightGBM ha raggiunto un AUC di 0,87, dimostrando la sua superiore performance predittiva nella stima della probabilità di nuovo strapping dopo ARCR108.

Sebbene sklearn sia stato ampiamente utilizzato nel campo della previsione medica, attualmente non esiste letteratura diretta sulla sua applicazione nella previsione di reazioni avverse alle trasfusioni. Questa lacuna non indica un difetto tecnico, ma mette in evidenza le sfide uniche e il potenziale inesplorato di prevedere reazioni avverse alle trasfusioni.

I metodi tradizionali per valutare i rischi di reazioni avverse dalla trasfusione di sangue si basano principalmente su indicatori clinici statici, analisi retrospettiva della storia clinica e questionari di screening standardizzati, che presentano molteplicilimitazioni 109,110,111. Gli eventi TAR sono estremamente rari. L'incidenza delle reazioni trasfusionali nella popolazione adulta generale è di circa il 2%, il che porta a una categoria112 estremamente sbilanciata. Questo squilibrio porta i classificatori standard a dare priorità all'accuratezza della classe di maggioranza rispetto a quella di minoranza. Per affrontare questo problema, il modulo sklearn sbilanciato, come SMOTE+ENN, fornisce una soluzione ben consolidata per ribilanciare il dataset. Numerosi fattori contribuiscono all'insorgenza di reazioni avverse dopo trasfusioni di sangue113. SK-learn consente un'efficace pre-elaborazione dei dati raccolti, facilitando l'analisi successiva. L'uso di trasformatori a colonna per la pre-elaborazione eterogenea e l'unione di caratteristiche per la fusione multimodale consente un'integrazione fluida di datistrutturati 114,115. Nel processo decisionale clinico, la trasparenza del modello è fondamentale. SHAP/LIME è compatibile con i modelli sklearn, incluso TreeExplainer per foreste casuali, garantendo la conformità normativa preservando al contempo prestazioni predittive116,117.

Per tradurre le capacità discusse di sklearn in una strategia tangibile per la previsione del TAR, proponiamo una pipeline pratica di modellazione seguendo la roadmap di machine learning stabilita (Figura 3). Questo quadro è progettato per affrontare le sfide specifiche della TAR, come l'eterogeneità dei dati e l'estremo squilibrio di classe.

Lo sviluppo di un modello predittivo robusto per le reazioni avverse alla trasfusione richiede una pipeline analitica end-to-end. Questo processo inizia con l'integrazione e la pre-elaborazione dei dati clinici multimodali, comprendendo la demografia dei pazienti, i parametri vitali, i valori di laboratorio, i dettagli delle trasfusioni e le caratteristiche dei donatori. I tipi di dati eterogenei vengono consolidati in modo efficiente utilizzando ColumnTransformer di sklearn all'interno di una Pipeline per applicare una scala e una codifica appropriate, creando un dataset unificato per l'analisi. Un passo successivo cruciale riguarda l'affrontare il profondo squilibrio di classe insito negli eventi RAR rari; le etichette target, definite da risultati rigorosamente valutati, possono essere riequilibrate utilizzando tecniche come SMOTE-ENN dalla libreria Compatible Imbalanced-Learn per prevenire il bias del modello. Dopo la preparazione dei dati, vengono addestrati e valutati più algoritmi utilizzando l'API coerente di sklearn, con la regolazione e la calibrazione degli iperparametri effettuate tramite GridSearchCV per ottimizzare le prestazioni e garantire stime di probabilità affidabili. Per favorire la fiducia clinica e fornire intuizioni meccanicistiche, le previsioni del modello vengono interpretate utilizzando strumenti come SHAP, che possono quantificare il contributo di specifiche caratteristiche al punteggio di rischio di un individuo. La generalizzabilità del modello viene poi validata rigorosamente utilizzando tecniche robuste come la validazione incrociata annidata su dati provenienti da coorti di pazienti distinte. Infine, per una possibile traduzione clinica, l'intera pipeline formata può essere serializzata e integrata nei sistemi di cartelle cliniche elettroniche, funzionando come uno strumento di supporto decisionale in tempo reale che fornisce punteggi di rischio interpretabili ai clinici al punto di cura.

In questa revisione, iniziamo introducendo il TAR, riassumendo i modelli TAR esistenti, presentando il concetto di machine learning, evidenziando i vantaggi del machine learning e discutendone le applicazioni nella previsione delle malattie. Esploriamo ulteriormente la potenziale applicazione del machine learning nella TAR, fornendo linee guida per i futuri ricercatori nello sviluppo dei modelli di apprendimento TAR-SK. Inoltre, approfondiamo il potenziale ruolo di SK-learn nella valutazione del rischio TAR, ma sottolineiamo che limitazioni significative ne limitano significativamente l'applicazione clinica. I modelli TAR attuali si basano prevalentemente su dataset retrospettivi e monocentrici, che potrebbero non catturare variazioni regionali nelle pratiche trasfusionistiche, caratteristiche demografiche come differenze legate all'età tra popolazioni pediatriche e adulte, o suscettibilità genetica tra popolazioni diverse 19,26,31,32. Inoltre, questi modelli integrano in modo inadeguato i dati multiomici, inclusi i profili di anticorpi HLA dei donatori e la proteomica infiammatoria del ricevente, che sono fondamentali per comprendere i meccanismi TAR mediati dal sistema immunitario come il TRALI. Questa limitazione limita la loro capacità di distinguere tra sottotipi immuni e nonimmuni 25,40. L'interpretabilità rimane una sfida chiave: mentre SK-learn fornisce strumenti come i valori SHAP, se le previsioni algoritmiche, come i marcatori genetici rari, mancano di validazione biologica come fattori di rischio, i clinici potrebbero essere riluttanti ad adottare questi modelli, portando a una disconnessione tra i risultati del machine learning e l'intuizioneclinica 14,50. L'implementazione pratica affronta anche delle sfide, come la necessità di un'infrastruttura computazionale robusta e di una preelaborazione standardizzata dei dati delle cartelle cliniche elettroniche (EHR), spesso non disponibili in contesti con risorselimitate 47,87.

Per colmare queste lacune, le ricerche future dovrebbero dare priorità alla raccolta prospettica multicentrica dei dati, come l'integrazione di dataset provenienti dai registri internazionali TAR, incluso il sistema SHOT del Regno Unito e le coorti pediatriche cinesi, al fine di ridurre il bias di selezione e migliorare la generalizzabilità del modello19,36. L'incorporazione di dati multimodali, inclusa la sequenza dell'RNA a cellule singole del sangue donatore e dei marcatori proteici infiammatori, nella pipeline SK-learn potrebbe migliorare la classificazione dei sottotipi TAR, simile al miglioramento del 12-24% della sensibilità osservato negli studi di previsione della resistenza ai farmaciper la tubercolosi 73. Collaborare con gli immunologi per convalidare meccanismi, come collegare le caratteristiche di rischio identificate da SK-learn — combinazioni specifiche di anticorpi HLA — con i test di attivazione del complemento in vitro, può colmare il divario tra le previsioni algoritmiche e i meccanismibiologici 22,24. Lo sviluppo di strumenti di supporto alle decisioni cliniche e intuitivi, capaci di estrarre automaticamente funzionalità in tempo reale dagli EHR, come il volume di trasfusione e i livelli di BNP, e di fornire punteggi di rischio interpretabili insieme ai criteri diagnostici tradizionali, è essenziale per un'integrazione fluida nei flussi di lavoroclinici 97,107.

Rispetto ai modelli tradizionali TAR, come l'abbinamento ABO/Rh e i punteggi TRACK, SK-learn presenta vantaggi significativi. Ad esempio, algoritmi di ensemble come LightGBM eccellono nel modellare interazioni non lineari tra fattori di rischio, come gli anticorpi anti-HLA del donatore e i livelli di IL-6 ricevitori, con un aumento del 12-24% della sensibilità negli studi di previsione della resistenza agli antibiotici. Strumenti di prioritizzazione delle caratteristiche basati sui dati, come l'importanza delle caratteristiche per permutazioni, possono identificare nuovi indicatori di rischio, inclusi la durata dell'immagazzinamento del sangue e le complicazioni non rilevate, oltre la conoscenza clinicapredefinita 45,93. Inoltre, la sua architettura open-source e i requisiti computazionali moderati lo rendono applicabile in ambienti a risorse limitate, a differenza dei framework di deeplearning 69,93.

Per tradurre questo potenziale in impatto clinico, i lavori futuri devono concentrarsi su diverse aree chiave. Innanzitutto, la raccolta prospettica e multicentrica di dati è essenziale per superare il bias di selezione e migliorare la generalizzabilità del modello in popolazioni diverse. In secondo luogo, integrare dati multimodali (ad esempio, profili di anticorpi del donatore, marcatori infiammatori del ricevente) fornirà un set di funzionalità più completo, permettendo ai modelli sklearn di distinguere meglio tra i sottotipi TAR e di catturare interazioni di rischio complesse. In terzo luogo, la validazione biologica delle caratteristiche di rischio identificate dagli algoritmi (ad esempio, collegare specifici anticorpi HLA a saghi in vitro) è fondamentale per colmare il divario tra la previsione statistica e la comprensione meccanicistica, costruendo così fiducia clinica. Infine, sviluppare strumenti clinici intuitivi e interpretabili che forniscano punteggi di rischio in tempo reale faciliterà l'integrazione fluida di questi modelli nel flusso di lavoro di routine, spostando il paradigma dalla gestione delle reazioni alla prevenzione preventiva.

In conclusione, questa revisione sottolinea il potenziale trasformativo di SK-learn nella valutazione del rischio di trasfusioni di sangue, affrontando i limiti dei metodi tradizionali basati su regole. Integrando dati clinici complessi, dando priorità alle caratteristiche di rischio e fornendo previsioni interpretabili, SK-learn rappresenta una pietra angolare per la medicina delle trasfusioni di precisione. Tuttavia, realizzare questo potenziale richiede collaborazione interdisciplinare, validazione multicentrica su larga scala dei modelli SK-learn, integrazione di dati multiomici e clinici in tempo reale, e sviluppo di strumenti adatti ai clinici per collegare le intuizioni algoritmiche ai meccanismi biologici.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Conclusioni

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

figure-results-1
Figura 1: Illustrazione delle categorie TAR e del modello attuale di valutazione del rischio combinato con potenziali strategie di SK-learn nella valutazione del rischio TAR. (A) Il TAR può essere suddiviso in due tipi: reazioni mediate dal sistema immunitario e reazioni non mediate dal sistema immune. (B)

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Dichiarazioni

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

Gli autori dichiarano di non avere interessi in competizione.

Ringraziamenti

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

Questo lavoro è stato supportato dal Luzhou Science and Technology Bureau, No. 2024JYJ034, Titolo: Effetti dell'irradiazione e del tempo di stoccaggio sulle vescicole extracellulari nei concentrati di piastrine.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Riferimenti

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

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Ristampe e permessi

Richiedi il permesso di riutilizzare il testo o le figure di questo articolo JoVE

Richiedi permesso

Tag

Precision MedicineBlood TransfusionClinical Prediction ModelsModel InterpretabilityMedical Risk PredictionData Heterogeneity

Articoli correlati