Reviewartikel

Machine learning benaderingen voor precisierisicobeoordeling van transfusiebijwerkingen: een review gebaseerd op Scikit-learn.

DOI:

10.3791/69658

⸱

20 januari 2026

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

* These authors contributed equally

In dit artikel

Samenvatting

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

Deze review onderzoekt het potentieel van de scikit-learn machine learning-bibliotheek om bijwerkingen van transfusies te voorspellen. Het schetst een datagedreven kader om risicobeoordeling te verbeteren, beperkingen van conventionele benaderingen aan te pakken en de ontwikkeling van precisietransfusiegeneeskunde te ondersteunen.

Samenvatting

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

Transfusiebijwerkingen (TAR's) omvatten ongewenste effecten die optreden tijdens of na de bloedtransfusie, als gevolg van het toedienen van bloed, bloedproducten of transfusiegerelateerde stoffen. Deze reacties kunnen milde tot ernstige klinische manifestaties veroorzaken, waaronder allergische reacties, hemolyse en transfusie-gerelateerde acute longschade (TRALI). Huidige conventionele benaderingen – zoals ABO/Rh-bloedgroepmatching en massale transfusieprotocollen – kunnen de patiëntuitkomsten verbeteren, maar lossen er niet in om complexe patiëntspecifieke factoren aan te pakken. Daarom is het ontwikkelen van een toegewijd TAR-risicomodel essentieel. Machine learning (ML) algoritmen kunnen grootschalige klinische en laboratoriumdatasets gebruiken om diagnostische en prognostische modellen te construeren, waarmee gepersonaliseerde en precisiegeneeskunde wordt bevorderd. Opmerkelijk is dat het scikit-learn (SK-learn) ML-algoritme nog niet direct is toegepast op TAR-risicobeoordeling; Desalniettemin heeft de effectiviteit ervan bij het opbouwen van vergelijkbare modellen voor medische risicovoorspelling aanzienlijke erkenning gekregen. Deze review presenteert een ML-gebaseerd kader voor het voorspellen en voorkomen van TAR, met een specifieke nadruk op de rol van SK-learn in diverse klinische contexten. Onze analyse legt de basis voor toekomstige precisiediagnose van TAR en de ontwikkeling van SK-learn-algoritmen. Cruciaal is dat onze samenvatting van de literatuur aangeeft dat sklearn een veelzijdige en krachtige toolkit biedt voor deze taak; De succesvolle vertaling naar de klinische praktijk is echter afhankelijk van het overwinnen van belangrijke uitdagingen, waaronder multicenter-dataheterogeniteit en de noodzaak van robuuste modelinterpretatie.

Inleiding

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

Bloedtransfusie is een levensreddende interventie die in verschillende klinische contexten wordt gebruikt, waaronder traumazorg, chirurgische ingrepen, verloskundige spoedeisende gevallen, oncologische behandelingen en de behandeling van chronische hematologische aandoeningen 1,2. Ondanks aanzienlijke therapeutische voordelen kunnen transfusies verschillende bijwerkingen veroorzaken, gezamenlijk aangeduid als Transfusiebijwerkingen (TARs)3,4. TAR vertegenwoordigt een multifactoriële aandoening met manifestaties variërend van milde allergische reacties tot ernstige complicaties. De meest voorkomende reacties zijn koortsachtige niet-hemolytische transfusie-reacties (FNHTR's) en allergische reacties, met gerapporteerde incidenties van respectievelijk ongeveer 26 en 21 per 100.000 getransfuseerde eenheden, respectievelijk 5,6. Terwijl ABO/Rh-bloedgroepmatching en gestandaardiseerde transfusieprocedures het risico op TAR aanzienlijk kunnen verminderen, waardoor de patiëntveiligheidtoeneemt 7,8,9. Ze kunnen deze gebeurtenissen niet volledig voorkomen, vooral die met complexe of immuungemedieerde etiologieën.

Het bewijs suggereert dat ML, een subgebied van kunstmatige intelligentie (AI), de integratie van complexe, multimodale data faciliteert. Deze mogelijkheid verbetert klinische besluitvorming, faciliteert gepersonaliseerde behandeling en optimaliseert medische diensten, waardoor de patiëntuitkomsten uiteindelijk verbeteren10,11. Geïntroduceerd in 2007, is SK-learn een open-source Python machine learning-bibliotheek. De kernfunctionaliteiten omvatten regressieanalyse geïmplementeerd via ML-algoritmen, samen met classificatie, clustering, dimensionaliteitsreductie, modelselectie en preprocessingmogelijkheden12. In medische toepassingen wordt SK-learn voornamelijk ingezet voor ziektevoorspelling, diagnostische classificatie en klinische risicostratificatie13,14. Zo gebruikte een studie de SK-learn bibliotheek om een voorspellend model te construeren dat effectief onderscheid maakte tussen diabetische nefropathie en niet-diabetische nefropathie, waarmee klinische diagnose en behandeling werden ondersteund15. Door gebruik te maken van de voordelen van het sklearn-algoritme heeft de effectiviteit bij het construeren van posttransfusie-risicovoorspellingsmodellen (TAR) aanzienlijke erkenning gekregen16,17.

Deze review synthetiseert huidige ontwikkelingen in SK-learn machine learning-algoritmen en schetst hun translationele toepassingen over diverse ziektecontexten. Daarnaast stelt het ook een kader vast voor toekomstige klinische implementatie van SK-learn in risicogestratificeerde TAR-diagnose en voorspellende modellering.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Review en perspectief

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

Overzicht van TAR
Pathogenese van TAR
TAR omvat een divers spectrum van klinische manifestaties en pathofysiologische mechanismen (Tabel I). Deze reacties worden voornamelijk gecategoriseerd in immuungemedieerde en niet-immuungemedieerde subtypes 7,9,18,19. Immuungemedieerde reacties omvatten doorgaans antigeen-antistof interacties, wat leidt tot hemolyse of systemische ontstekingsreacties. Een representatief voorbeeld is ABO-incompatibiliteit, die acute hemolytische transfusiereacties (AHTR's) kan veroorzaken. Deze aandoening uit zich als koorts, flankpijn, hypertensie, disseminated intravasculaire stolling (DIC) en acute nierfalen 7,9,20. Bovendien kunnen type I overgevoeligheidsreacties allergische transfusie-reacties veroorzaken, met klinische manifestaties variërend van milde urticaria tot levensbedreigende anafylaxie. Opmerkelijk is dat deze reacties vaak geassocieerd zijn met bloedplaatjesproducten vanwege de aanwezigheid van resterende donorplasma-eiwitten, waaronder subpollen-allergeenmoleculen 18,21,22,23. TRALI wordt klinisch gedefinieerd door het acute begin van hypoxemie en niet-cardiogene longoedeem binnen 6 uur na de transfusie. De pathogenese omvat voornamelijk donorafgeleide antilichamen tegen humane leukocytenantigenen (HLA's) of granulocyt-specifieke antigenen 21,22,24. Opmerkelijk is dat bepaalde bloedgroepantigenen, zoals antigenen van het Kidd-systeem, vertraagde hemolytische transfusiereacties, ook wel DHTR's genoemd, kunnen veroorzaken wanneer ze worden aangevallen door donor-afgeleide anti-HLA-antilichamen. Daarnaast vertegenwoordigt TRALI, een type transfusie-gerelateerd acuut longletsel, een aparte pathologische entiteit die wordt gemedieerd door donoranti-HLA-antilichamen via neutrofiele activatiemechanismen 6,22. Niet-immuungemedieerde transfusiereacties omvatten verschillende klinische entiteiten, waaronder septische reacties door bacteriële besmetting, volumeoverbelasting, mechanische of thermische hemolyse en transfusie-geassocieerde circulatieoverbelasting (TACO)9,23. Septische transfusie-reacties ontstaan door de infusie van bloedproducten die besmet zijn met bacteriën, meestal Staphylococcus spp., Staphylococcus aureus en Escherichia coli in bloedplaatjes, en Yersinia enterocolitica in rode bloedcellen. Klinisch presenteren ze zich met hoge koorts, strenge orgasme, hypotensie en kunnen ze snel overgaan in shock. Opmerkelijk is dat met de invoering van zeer gevoelige pathogenenscreening het risico op klassieke transfusie-overdraagbare infecties (TTI's, zoals HIV, HCV) drastisch is verminderd. Daardoor zijn septische reacties, vooral door bloedplaatjestransfusies die bij kamertemperatuur worden opgeslagen, tegenwoordig een vaker gerapporteerde infectieuze complicatie van transfusie dan TTI's. Transfusie-transmissibele infecties, die mogelijk worden veroorzaakt door diverse ziekteverwekkers zoals virussen, bacteriën en parasieten, kunnen TAR activeren door het aangeboren immuunsysteem te activeren. Recente systematische reviews benadrukken dat uitgebreide screening van immunogene pathogenen de belangrijkste uitdaging blijft bij het voorkomen van infectiegerelateerde TAR 25,26,27,28 (Tabel 1).

Epidemiologie van TAR
In ontwikkelde landen blijft de totale incidentie van TAR relatief laag. Huidige surveillancegegevens geven aan dat allergische reacties en koortsachtige niet-hemolytische transfusie-reacties (FNHTR's) tot de meest gerapporteerde bijwerkingen behoren, waarbij allergische reacties nu vaker voorkomen dan FNHTR's in veel rapportagesystemen. Vertraagde serologische transfusiereacties (DSTR's) worden minder vaak gerapporteerd 5,9,29. Desalniettemin blijft TAR aanzienlijke klinische uitdagingen vormen in ontwikkelingslanden en specifieke populaties, waarbij dit verhoogde risicoprofiel voortkomt uit multifactoriële determinanten, waaronder variaties in gestandaardiseerde screeningsprotocollen, suboptimale behandelingen voor bloedproducten, heterogene transfusiepraktijken en populatiespecifieke genetische aanleg26,27. Patiënten met sikkelcelziekte zijn bijzonder vatbaar voor hemolytische transfusiereacties en alloimmunisatie. Dit verhoogde risico wordt toegeschreven aan chronische ontsteking, fenotypische verschillen in rode bloedcellen-antigenen tussen overwegend blanke donor- en SCD-patiëntenpopulaties, en een hoge levenslange blootstelling aan transfusies, in plaats van de aanwezigheid van sikkelhemoglobine zelf 20,30. Opmerkelijk is dat recente surveillancegegevens van grote Chinese medische centra een hogere incidentie van allergische TAR bij pediatrische en neonatale populaties aantoonden dan bij volwassenen, wat te wijten is aan verschillende transfusiedrempels en klinische praktijken. Omgekeerd tonen Europese cohorten een tegengesteld epidemiologisch patroon in deze leeftijdsgroepen19, 31 en 32 jaar. Zo meldden Guo, K. et al. 19 dat kinderen in een groot Chinees nationaal centrum vaker allergische reacties kregen dan volwassenen, terwijl bij neonaten transfusiedrempels en -praktijken aanzienlijk variëren in Europa33.

Huidige klinische onderzoeken die TAR-risicobeoordelingsmodellen ontwikkelen, maken gebruik van drie kernstrategische benaderingen: risicogestratificeerde preventieve maatregelen, continue realtime monitoringsystemen en gepersonaliseerde beheerprotocollen voor risicogroepen. Deze risicomodellen tonen een bimodaal classificatiesysteem, bestaande uit zowel uitgebreide screeningstools met universele toepasbaarheid op transfusie-ontvangers als gespecialiseerde voorspellende algoritmen die zijn ontworpen om specifieke subtypes bijwerkingen te identificeren34,35. Gegeneraliseerde risicobeoordelingsinstrumenten, zoals geïlleerd door het Britse Serious Hazards of Transfusion (SHOT)-systeem, maken gebruik van datasets op populatieniveau om transfusie-ontvangers te stratificeren. Deze systemen tonen bijzondere effectiviteit bij het identificeren van risicogroepen, waaronder patiënten met een geschiedenis van meerdere transfusies of auto-immuunziekten36. De conventionele Transfusion Risk and Clinical Knowledge (TRACK) scoremethodologie gebruikt statische prestatie-metrics met vooraf bepaalde cutoffwaarden om modelprestaties binnen vooraf gedefinieerde beslissingsgrenzen te kwantificeren. Deze benadering karakteriseert het voorspellende vermogen van een model onder beperkte operationele parameters37. Recente ontwikkelingen hebben nieuwe risicostratificatietools voor transfusievoorspelling opgeleverd. Het nieuw ontwikkelde SCORE-systeem bevat zes klinisch gevalideerde voorspellende factoren om de kans op transfusie te schatten. Vergelijkende analyses tonen aan dat dit vereenvoudigde model vergelijkbare voorspellende nauwkeurigheid en kalibratieprestaties behaalt als de conventionele TRACK-score bij het voorspellen van transfusie-eisen in hartchirurgische procedures38.

Naast specifieke reactiemodellen zijn er recentelijk veel in vivo modellen bestudeerd.39. TRALI is een klinisch significante complicatie waarvan het risicoprofiel wordt bepaald door een wisselwerking van donor-afgeleide antihumane leukocyten/neutropile antigeen (anti-HLA/HNA) antilichamen, verhoogde ontstekingsbiomarkers van de ontvanger, waaronder interleukine-6, en het toegediende transfusievolume 34,39,40. Het risico op transfusie-geassocieerde circulatieoverbelasting (TACO) wordt vaak geëvalueerd met klinische scoresystemen die parameters bevatten zoals verhoogde B-type natriuretische peptidewaarden (BNP of NT-proBNP), een voorgeschiedenis van hartstoornissen, een hoge transfusiefrequentie en een positieve vloeistofbalans. Het risico op immuungemedieerde hemolyse wordt preventief beoordeeld via antilichaamscreening via de indirecte antiglobulinetest (indirecte Coombs-test), die klinisch significante alloantistoffen in het plasma van de ontvanger detecteert. Het identificeren van deze antilichamen maakt het mogelijk om antigeen-negatieve bloedunits voor transfusie te selecteren, waardoor antigeen-antistof reacties worden voorkomen die anders hemolyse zouden veroorzaken. De transfusiegeschiedenis van een patiënt is ook cruciaal om eerdere sensibilisatie en het risico op vertraagde hemolytische reacties vast te stellen. Deze mechanistische modellen integreren multidimensionale klinische en laboratoriumparameters om de precisie van de voorspelling van bijwerkingen te verhogen 34,39,41. Daarnaast zijn massale transfusieprotocollen (MTP's) ontwikkeld om de sterfte gerelateerd aan hemorragische shock bij ernstig bloedende trauma- of chirurgische patiënten te verminderen door de verhouding RBC's, plasma en bloedplaatjes te standaardiserenop 42,43. Deze praktijken hebben echter de transfusiegerelateerde morbiditeit verlaagd en vangen niet volledig het ingewikkelde samenspel van immunologische en niet-immunologische variabelen dat transfusieveiligheid definieert. Veel bestaande scoresystemen en protocollen zijn gevalideerd onder gecontroleerde omstandigheden of kleinere patiëntencohorten, waardoor ze suboptimaal zijn in echte, heterogene omgevingen 16,44,45,46. Evoluerende pathogenenprofielen, veranderingen in donorpopulaties en de complexiteit van moderne medische zorg dagen statische benaderingen 25,26,47 verder uit. Deze achtergrond heeft geleid tot groeiende interesse in het toepassen van machine learning om transfusierisicobeoordeling te verfijnen, waarbij klinische gegevens, laboratoriumbevindingen en opkomende vakgebieden zoals multiomics worden gecombineerd om krachtigere voorspellende modellen te creëren (Figuur 1)48,49,50.

Huidige opbouw van klinisch risicobeoordelingsmodel via machine learning
Machine learning (ML), als fundamenteel paradigma van kunstmatige intelligentie, maakt adaptieve besluitvorming mogelijk door de geautomatiseerde ontdekking van latente datapatronen en de inductieve generatie van voorspellende modellen, waardoor expliciet procedureel programmeren wordt omzeild en continue prestatieverbetering mogelijk wordt gemaakt in complexe, evoluerende domeinen, waaronder medische diagnostiek en forecasting51. De evolutie van machine learning heeft drie verschillende fasen doorlopen: (1) het fundamentele tijdperk, dat de theoretische basis legde52; (2) de algoritmische renaissance, gekenmerkt door significante vooruitgang in ondersteuningsvectormachines en ensemblemethoden53; en (3) de deep learning-revolutie, waarbij convolutionele en recurrente neurale netwerken, aangedreven door GPU-versnelling en big data, transformerende paradigmaverschuivingen in gang hebben gezet in meerdere vakgebieden54. In medische toepassingen hebben zij medische beelddiagnose en biomarkerdetectiegerevolutioneerd.

Huidige machine learning-systemen worden ingedeeld in drie kernparadigma's op basis van hun leermechanismen: (1) supervised learning, dat vertrouwt op gelabelde trainingssets voor voorspellende modellering; (2) ongecontroleerd leren, waarbij latente structuren worden blootgelegd uit niet-geannoteerde data; en (3) deep learning, dat gebruikmaakt van hiërarchische neurale architecturen voor geautomatiseerde feature-abstractie. Samen vormen deze paradigma's de fundamentele methodologieën die ten grondslag liggen aan hedendaagse AI-toepassingen56.

In de afgelopen jaren heeft ML brede toepassing gekregen bij de ontwikkeling van medische diagnostische markers, prognosebeoordeling en het bouwen van risicomodellen57,58. Medische gegevens vertonen vaak een hoge dimensionaliteit, wat aanzienlijke uitdagingen vormt voor effectieve analyse via traditionele methoden14,59. ML-technieken zijn uitstekend in het extraheren van kritieke kenmerken uit zulke complexe datasets, waardoor de identificatie van cruciale kenmerken wordt vergemakkelijkt. De toepassing van ML in transfusiegeneeskunde is snel in opkomst. Zo hebben ML-modellen superieure prestaties aangetoond in taken zoals medische beeldclassificatie en pathologische analyse, wat heeft geleid tot aanzienlijke verbeteringen in de nauwkeurigheid van vroege diagnose en prognosestratificatie60,61. Door gebruik te maken van patiëntspecifieke gegevens, zoals genomische en metabolomische profielen, kan ML gepersonaliseerde behandelingsresponsen voorspellen, waarmee het vakgebied precisiegeneeskunde62 vooruit wordt geholpen. Naast het voorspellen van de noodzaak van transfusie wordt ML ook toegepast om het beheer van bloedproducten te optimaliseren. Studies hebben ML ingezet voor taken zoals het voorspellen van bloedplaatjesgebruik en het personaliseren van preoperatieve bloedorderschema's, wat potentieel aantoont om het voorraadbeheer te verbeteren en verspilling te verminderen.

Bovendien maakt ML de integratie van multisource-gegevens mogelijk, waaronder beeldvorming, genomica en elektronische patiëntendossiers (EPD's), om uitgebreide voorspellende modellen63 te construeren. Daarnaast ondersteunt ML realtime risicowaarschuwingen, zoals sepsisvoorspelling voor IC-patiënten, en automatiseert het diagnostische workflows, waardoor de werklast voor zorgprofessionalswordt verminderd. ML heeft de precisie van kankerprognosemodellen en doelontwikkeling aanzienlijk verbeterd door multiomics-data te integreren, complexe patronen te onderzoeken en het geneesmiddelontwerp te versnellen. Daarnaast verbetert machine learning de diagnostische nauwkeurigheid door zowel bekende als onbekende patronen te identificeren die wijzen op aanwezigheid of afwezigheidvan kanker 65. Een simulatiestudie toonde aan dat radiologen voorspelde negatieve gevallen konden overslaan, waardoor hun werklast werd verminderd tot slechts 80,7% van de mammografieën terwijl ze de algehele gevoeligheid en specificiteit behouden. Er is aangetoond dat CNN-modellen kunnen worden gebruikt om functioneel weefsel uit borstechobeelden te segmenteren, waardoor clinici worden geholpen bij de interpretatie en diagnose van deze beelden66. Prognose en behandelingskeuze zijn sterk afhankelijk van tumorkenmerken, waarvan veel kunnen worden voorspeld via beeldgebaseerde ML-modellen. Sommige onderzoekers hebben 3D-CNN's toegepast om de EGFR-mutatiestatus bij longadenocarcinoom te voorspellen uit handmatig geselecteerde interessegebieden (ROI's) in CT-scans, wat een niet-invasief alternatief biedt voor kankergenotypering en potentiële therapeutische strategieën informeert67. Opkomende genomische technologieën, zoals single-cell transcriptomics en spatial transcriptomics, bieden veelbelovende factoren om de histopathologische karakterisering van solide tumoren te revolutioneren. Specifiek maakt single-cell transcriptomics gedetailleerde analyse van de cellulaire samenstelling mogelijk, waardoor ML-modellen kankerbehandelingsresponsen en mogelijke geneesmiddelresistentiemechanismen kunnen voorspellen68.

Deep learning (DL), als een subgebied van ML, maakt gebruik van algoritmen met meerlagige neurale netwerken die geïnspireerd zijn op de neurale architectuur van de hersenen voor voorspellende modellering69. In tegenstelling tot ML-methoden, zoals logistische regressie, die gebruikmaken van hun neurale netwerkarchitectuur, stelt DL modellen in staat exponentieel te schalen met toenemende datavolumes en dimensionaliteit69. DL is uitgebreid toegepast in medische toepassingen. In de afgelopen jaren zijn opkomende deep learning-technieken breed toegepast voor kankerdiagnose, prognose en het identificeren van therapeutische regimes. Verschillende neurale netwerkarchitecturen, waaronder multilayer perceptrons (MLP's), recurrent neurale netwerken (RNN's) en convolutionele neurale netwerken (CNN's), dienen als fundamentele componenten voor geavanceerde methodologieën69. Studies hebben een CNN-model geïntroduceerd dat het kankerrisico niet alleen op beeldniveau, maar ook op pixelniveau kan voorspellen, en heatmaps biedt die gebieden aangeven die het meest waarschijnlijk maligne ziekten ontwikkelen.70. De integratie van diepe CNN's in histologie-gebaseerde kankerbeoordelingssystemen is succesvol gebleken, waarbij studies aangeven dat deze modellen prestaties kunnen leveren die vergelijkbaar zijn met die van menselijke pathologen bij het beoordelen van prostaat-, borst-, dikkedarm- en lymfoomkanker71,72,73,74,75. Onderzoekers hebben aangetoond dat het segmenteren van kankergeweldaden met een CNN-gebaseerde generator een CNN-gebaseerde classifier kan helpen bij het voorspellen van prostaatkankergraad76. Sommige onderzoekers hebben een hybride graph convolutioneel neural network (GCNN) model gebruikt om genexpressieprofielen in kaart te brengen op het STRING-eiwit-eiwitinteractie (PPI) netwerk, waardoor de voorspelling van borstkanker-moleculaire subtypes mogelijk wordt gemaakt69,77. Machine learning heeft ook een significante toepasbaarheid aangetoond bij niet-kankerziekten, met name in diagnostische modellering. Zo hebben studies externe en prospectieve training en validatie uitgevoerd van machine learning-modellen om sterfte en kritieke gebeurtenissen onder COVID-19-patiënten over verschillende tijdsperioden te voorspellen. Deze modellen identificeerden met succes risicopatiënten en verduidelijkten de onderliggende verbanden die bijdragen aan de voorspellende uitkomsten78. Traditionele radiomische modellen zijn voornamelijk afhankelijk van handmatig ontworpen functies die expliciet zijn afgeleid van medische beelden. Onderzoekers hebben onderzocht of diepe kenmerken die via transfer learning worden geëxtraheerd, kunnen worden gebruikt om radiomische signaturen te genereren voor het voorspellen van de algehele overleving (OS) van glioblastoma multiforme (GBM) patiënten79. In de afgelopen jaren heeft ML aanzienlijke vooruitgang geboekt in de microbiologie80. Een belangrijke toepassing binnen dit domein is het in staat stellen van zorgprofessionals om snel en nauwkeurig de micro-organismen die verantwoordelijk zijn voor infectieziekten bij patiënten te diagnosticeren, wat cruciaal is voor het bepalen van passende behandelstrategieën. ML-modellen kunnen nauwkeurige diagnoses bereiken wanneer ze voorzien zijn van geschikte invoergegevens80. Er is aangetoond dat het gebruik van een vooraf getraind convolutioneel neuraal netwerk (CNN) als feature extractor, gecombineerd met kruisvalidatie op patiëntniveau, effectief kan onderscheiden tussen malaria-geïnfecteerde cellen en niet-geïnfecteerde cellen, waardoor het screeningsproces voor ziekten verbetert81. Een machine learning-model gebaseerd op een cohort van 1.839 bacteriële isolaten uit het Verenigd Koninkrijk werd ontwikkeld om de resistentieprofielen van Mycobacterium tuberculosis (M. tuberculosis) tot acht antituberculosemedicijnen (isoniazide, rifampicine, ethambutol, pyrazinamide, ciprofloxacine, moxifloxacine, ofloxacine en streptomycine), waaronder multiresistente tuberculose. In vergelijking met eerdere methoden verbeterde het best presterende model de gevoeligheid voor isoniazide, rifampicine en ethambutol met 2-4%, met een gevoeligheid van 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).

Zo worden DL-modellen vaak getraind om mammografische beelden te analyseren en zo de kans te voorspellen dat een patiëntin de toekomst kanker ontwikkelt. Daarnaast hebben sommige onderzoekers de voordelen van deze directe risicovoorspellingsmethode benadrukt en aangegeven dat de borstkankerrisicoscore die wordt gegenereerd door het Inception-ResNet-v2 convolutioneel neurale netwerkmodel nauwkeuriger is dan de score die is afgeleid van klinische borstdichtheidsbeoordeling83. Evenzo hebben sommige onderzoekers een op DL gebaseerd mammografiemodel ontwikkeld dat beter presteert dan het Tyrer-Cuzick risicomodel, dat gebaseerd is op klinische kenmerken zoals de leeftijd van de patiënt, bij het voorspellen van het vijfjarige risico op borstkankerontwikkeling bij vrouwenvan 84 jaar.

Daarnaast is machine learning toegepast in transfusiegeneeskunde. De groeiende interesse in het toepassen van AI op transfusiegeneeskunde wordt onderstreept door de opname ervan in grote professionele fora, zoals een speciale conferentie georganiseerd door de International Society of Blood Transfusion (ISBT) Clinical Transfusion Working Party, die het potentieel van AI in TM-praktijk, onderwijs en onderzoek onderzoekt85. Bloedtransfusie (BT) is een cruciaal onderdeel van de medische zorg voor chirurgische patiënten op de intensive care. Deze studie analyseerde gegevens van 9.118 chirurgische IC-patiënten in de UMC-database, waarbij machine learning werd gebruikt om bloedtransfusiebehoeften te voorspellen. Door de prestaties van XGBoost- en logistische regressie (LR)-algoritmen te vergelijken met gegevens van 6 uur voor IC-opname tot 1, 2, 3 en 6 uur na opname, toonde het onderzoek significante verschillen in patiëntkenmerken tussen transfusie- en niet-transfusiegroepen. Deze bevindingen bevestigen de haalbaarheid van machine learning bij het voorspellen van bloedtransfusiebehoeften bij chirurgische IC-patiënten86. Allogene bloedtransfusies zijn vaak nodig bij heupgewrichtsoperaties, maar gaan gepaard met verhoogde morbiditeitsrisico's. Nauwkeurige voorspelling van transfusiebehoeften is essentieel om bloedafval te minimaliseren en preoperatieve besluitvorming te optimaliseren. Recente studies hebben 14 machine learning-algoritmen ontwikkeld om transfusierisico's te voorspellen, waarbij demografische gegevens van patiënten, preoperatieve laboratoriumresultaten en chirurgische informatie worden verwerkt. De modelprestaties werden beoordeeld via discriminatie-, kalibratie- en beslissingscurve-analyse. SHapley-additieve verklaringen (SHAPPs) werden gebruikt om de modellen te interpreteren, waarbij de ridge-classifier de hoogste voorspellende nauwkeurigheid toonde en een AUC van 0,85 (95% BI: 0,81-0,88) en een Brier-score van 0,21 behaalde. Het machine learning-model van deze studie toonde hoge voorspellende prestaties aan voor perioperatieve transfusiebehoeften bij heupgewrichtsoperaties, waarbij gebruikmakend is van beschikbare klinische variabelen87.

Bovendien is machine learning succesvol geïntegreerd in geneesmiddelenontwerp, waarbij uitdagingen zoals tijd en rekenkosten worden aangepakt, terwijl de betrouwbaarheidmet 88,89 is verbeterd. Door gebruik te maken van de driedimensionale ligandbindende omgeving van eiwitten, faciliteert machine learning de bepaling van doeleiwitstructuren, een cruciale stap in geneesmiddelenontdekking. Zo kan AlphaFold, een AI-gedreven tool, direct worden getraind op basis van de Protein Data Bank (PDB)-gegevens en is het in staat om eiwit-3D-structuren te voorspellen uit aminozuursequenties91. AlphaFold gebruikt een tweestapsproces: eerst zet een CNN de aminozuursequentie van het eiwit om in afstands- en torsiehoekmatrices; ten tweede transformeren gradientoptimalisatietechnieken deze matrices in de 3D-structuur92 van het eiwit.

Scikit-learn (sklearn) is een op Python gebaseerde machine learning-bibliotheek die algemeen wordt geprezen om zijn gebruiksgemak, uitgebreide documentatie en robuustecommunity-ondersteuning. Het biedt een uitgebreide verzameling van begeleide methoden, zoals logistische regressie, ondersteuningsvectormachines en random forests, evenals ongecontroleerde methoden, waaronder clustering en dimensionaliteitsreductie93. Het biedt ook pijplijnen die datapreprocessing, modeltraining, crossvalidatie en hyperparameter-tuning stroomlijnen in een uniform framework93. Hulpmiddelen voor modelinterpretatie, waaronder permutatiekenmerken en partiële afhankelijkheidsplots, samen met geavanceerde ensemblemethoden zoals random forest- en gradient boosting, vertonen consequent robuuste voorspellende prestaties in zorgcontexten45,93.

Gezien deze kenmerken is SK-learn uitgebreid gebruikt in medisch onderzoek voor taken zoals ziektediagnose 12,94, het voorspellen van overlevingstijden95, het analyseren van grote beeldvormingsdatasets96 en het bouwen van risicovoorspellingsmodellen voor transfusiegebruik97. Deze sectie biedt een gedetailleerde analyse van de specifieke toepassingsgevallen en technische implementatie en toont de voordelen van SK-learn aan bij het opstellen van ziektediagnose- en risicobeoordelingsmodellen (Figuur 2). Met een bijzondere focus op het kankerdomein, waar de toepassingen het meest breed en volwassen zijn, analyseren we succesvolle praktijken en pakken we bestaande uitdagingen aan: 12,93,95,98. Verder onderzoeken we hoe deze inzichten waardevolle referenties en inspiratiebronnen kunnen zijn voor de ontwikkeling van TAR-risicovoorspellingsmodellen.

SK-learn biedt een robuust algoritmisch kader dat traditionele machine learning-technieken integreert – waaronder support vector machines (SVM's), random forests en logistische regressie – met deep learning-benaderingen zoals de multilayer perceptron (MLP) classifier, waardoor het goed geschikt is voor het modelleren van diverse kankerdatasets. Zo hebben onderzoekers bij de ontwikkeling van een nieuw histologisch systeem voor het diagnosticeren van bijlencorticaal carcinoom de sklearn-bibliotheek in Python gebruikt om een multidimensionaal wiskundig model te construeren. Dit model behaalde een algehele diagnostische nauwkeurigheid van 100%, wat een brede toepasbaarheid aantoont over alle morfologische varianten99.

Bovendien maken SK-learn, GridSearchCV en RandomizedSearchCV tools geautomatiseerde hyperparameteroptimalisatie mogelijk. Bijvoorbeeld, bij het voorspellen van lymfekliermetastase werden de parameters van een XGBoost-model fijn afgestemd via kruisvalidatie, wat resulteerde in een AUC-waarde van 0,95212. Zo vertoont de support vector machine (SVM) superieure prestaties bij borstkankerclassificatietaken. De niet-lineaire kernelfunctie maakt effectieve verwerking van hoog-dimensionale beelddata mogelijk. Een studie die spectrale gegevens van mondkankerpatiënten analyseerde toonde aan dat SVM, in combinatie met recursieve feature-eliminatie (RFE), een gevoeligheid van 95% en een specificiteit van 96% bereikte, waarmee het de traditionele Fisher lineaire discriminantenanalyse (FLD)100 aanzienlijk overtreft. Daarnaast toonde een vergelijkende analyse van de UCI-borstkankerdataset aan dat SVM zowel K-means clustering als kunstmatige neurale netwerken overtrof wat betreft classificatienauwkeurigheid en generalisatiecapaciteit101. Het vermogen van SVM om hoogdimensionale data te verwerken is even relevant voor TAR-voorspelling, waarbij modellen talrijke klinische en laboratoriumparameters moeten integreren.

De random forest-methode toont superieure prestaties in feature-importance analyse. Sommige onderzoekers hebben willekeurige bossen gebruikt om genomische en klinische gegevens te integreren en belangrijke kenmerken te identificeren die verband houden met de prognose van borstkanker. De clusteringsresultaten waren significant gecorreleerd met klinische uitkomsten102. Deze benadering kan direct worden overgebracht naar TAR-modellering om de meest invloedrijke risicofactoren te identificeren, zoals specifieke donorantilichamen of ontstekingsmarkers van de ontvanger, uit een breed scala aan kandidaat-kenmerken.

XGBoost, als representatief gradient boosting-algoritme, toont uitstekende prestaties in het voorspellen van kankerstadiering. Een studie gebaseerd op multiomics-gegevens van TCGA gaf aan dat XGBoost, gecombineerd met DNA-methyleringskenmerken, de voorspellende prestaties van classificatiemodel103 verder kan verbeteren. In een andere studie naar borstkankermetastase optimaliseerde XGBoost zijn hyperparameters via Grid-Search CV en werd gecombineerd met SHAP-waardevisualisatie. Zes belangrijke genen, zoals SQSTM1 en GDF9, werden met succes geïdentificeerd. De AUC van het model bereikte 0,82, wat nieuwe biomarkers levert voor metastaserisicovoorspelling104. De combinatie van hoogpresterende ensemblemethoden zoals XGBoost met SHAP-uitleg is een krachtig paradigma dat kan worden toegepast voor TAR-modellen om clinici transparante en uitvoerbare risicobeoordelingen te bieden.

SK-learn biedt een gestandaardiseerde data-voorbewerkingstoolkit die effectief de hoge dimensionaliteit, onbalans en ontbrekende waarden in kankerdata aanpakt. Zo werd bij de voorspelling van colorectale kanker een logistisch regressiemodel gebruikt dat vier kernindicatoren screent, zoals CEA en hemoglobine, om een niet-invasief diagnostisch model te construeren met een oppervlakte onder de curve (AUC) van 0,849, waarmee de detectie via één tumormarker105 aanzienlijk overtrof. Wat betreft onevenwichtige gegevensverwerking, door de SMOTE oversamplingtechniek uit de imbalanced-learn bibliotheek te combineren, verbeterde XGBoost de gevoeligheid van de minderheidsklasse (maligne monsters) met 8,36% in de borstkankerclassificatie, en bereikte de F1-waarde 96,2%106.

De combinatie van SK-learn met tools zoals SHAP en eli5 biedt transparante interpreteerbaarheid voor kankermodellen. Bij de voorspelling van metastasen van sentinel-lymfeklieren bij borstkanker toont het XGBoost-model, gevisualiseerd via SHAP-waarden, aan dat echografische kenmerken zoals "verdachte lymfeklieren" en "marginale spicculatie" de grootste bijdrage leveren aan het risico op metastase, wat sterk overeenkomt met de klinische diagnostische logica12.

SK-learn heeft aanzienlijke voordelen aangetoond in onderzoek naar niet-kankerziekten. Niet-kankerziekten vereisen vaak de integratie van multisource-gegevens, waaronder elektronische patiëntendossiers (EPD), beeldvorming, genomica, proteomica en andere. SK-learn is in staat om patiënten-EPD's, genetische profielen en leefstijlinformatie te consolideren om het risico op geassocieerde ziekten met verhoogde precisie te voorspellen. Zo werd een random forest-algoritme uit SK-learn gebruikt om EPD-gegevens te integreren voor het voorspellen van het risico op hart- en vaatziekten. Deze aanpak verbeterde niet alleen de nauwkeurigheid van de voorspelling van cardiovasculaire risico's aanzienlijk, maar verhoogde ook het aantal patiënten dat baat kon hebben bij preventieve interventies en minimale onnodige behandelingenvoor anderen. Onderzoekers hebben gebruikgemaakt van Python's SK-learn machine learning-bibliotheek om vijf verschillende AI-modellen te ontwikkelen en te trainen: logistische regressie, random forest, AdaBoost, CATBoost en LightGBM – voor het voorspellen van herscheuren van postoperatieve rotator cuffs na artroscopische rotator cuff reparatie (ARCR). De getrainde modellen werden vervolgens toegepast op een testdataset voor evaluatie. Opmerkelijk is dat het LightGBM-model een AUC van 0,87 behaalde, wat de superieure voorspellende prestaties aantoont bij het schatten van de kans op re-tearing na ARCR108.

Hoewel sklearn veel wordt gebruikt op het gebied van medische voorspelling, is er momenteel geen directe literatuur over de toepassing ervan bij het voorspellen van ongewenste transfusie-reacties. Deze kloof wijst niet op een technisch defect, maar benadrukt eerder de unieke uitdagingen en het onbenutte potentieel van het voorspellen van ongunstige transfusiereacties.

De traditionele methoden om de risico's van bijwerkingen van bloedtransfusie te beoordelen zijn voornamelijk gebaseerd op statische klinische indicatoren, retrospectieve analyse van de medische geschiedenis en gestandaardiseerde screeningsvragenlijsten, die meerdere beperkingen hebben (109,110,111). TAR-evenementen zijn extreem zeldzaam. De incidentie van transfusiereacties in de algemene volwassen bevolking is ongeveer 2%, wat resulteert in een extreem onevenwichtige categorie112. Deze onbalans zorgt ervoor dat standaardclassificatoren de nauwkeurigheid van de meerderheidsklasse boven de minderheidsklasse stellen. Om dit probleem aan te pakken, biedt de sklearn imbalanced-learn module, zoals SMOTE+ENN, een goed gevestigde oplossing voor het herbalanceren van de dataset. Tal van factoren dragen bij aan het optreden van bijwerkingen na bloedtransfusies113. SK-learn maakt effectieve voorverwerking van verzamelde gegevens mogelijk, wat de daaropvolgende analyse mogelijk maakt. Het gebruik van kolomtransformatoren voor heterogene voorverwerking en feature-union voor multimodale feature-fusie maakt naadloze integratie van gestructureerde datamogelijk 114,115. In klinische besluitvorming is transparantie van het model cruciaal. SHAP/LIME is compatibel met sklearn-modellen, waaronder TreeExplainer voor random forests, wat naleving van regelgeving waarborgt en de voorspellende prestatiesbehouden blijven.

Om de besproken mogelijkheden van sklearn te vertalen naar een tastbare strategie voor TAR-voorspelling, stellen we een praktische modelleringspijplijn voor die volgt op de vastgestelde machine learning-roadmap (Figuur 3). Dit kader is ontworpen om de specifieke uitdagingen van TAR aan te pakken, zoals data-heterogeniteit en extreme klassenonevenwicht.

De ontwikkeling van een robuust voorspellend model voor transfusie-bijwerkingen vereist een end-to-end analytische pijplijn. Dit proces begint met de integratie en voorverwerking van multimodale klinische gegevens, waaronder patiëntdemografie, vitale functies, laboratoriumwaarden, transfusiegegevens en donorkenmerken. Heterogene datatypen worden efficiënt geconsolideerd met behulp van sklearn's ColumnTransformer binnen een Pipeline om passende schaalvergroting en codering toe te passen, waardoor een uniforme dataset voor analyse ontstaat. Een cruciale volgende stap is het aanpakken van de diepgaande klassenongelijkheid die inherent is aan zeldzame TAR-gebeurtenissen; de doellabels, gedefinieerd door rigoureus beoordeelde uitkomsten, kunnen worden herbalanceerd met technieken zoals SMOTE-ENN uit de compatibele imbalanced-learn-bibliotheek om modelbias te voorkomen. Na de datavoorbereiding worden meerdere algoritmen getraind en geëvalueerd met behulp van de consistente API van sklearn, waarbij hyperparameterafstemming en kalibratie via GridSearchCV worden uitgevoerd om de prestaties te optimaliseren en betrouwbare kansschattingen te garanderen. Om klinisch vertrouwen te bevorderen en mechanistische inzichten te bieden, worden de voorspellingen van het model geïnterpreteerd met tools zoals SHAP, die de bijdrage van specifieke kenmerken aan de risicoscore van een individu kunnen kwantificeren. De generaliseerbaarheid van het model wordt vervolgens rigoureus gevalideerd met robuuste technieken zoals geneste kruisvalidatie op gegevens van verschillende patiëntencohorten. Ten slotte kan voor mogelijke klinische vertaling de volledige getrainde pijplijn worden geserialiseerd en geïntegreerd in elektronische patiëntendossiersystemen, functionerend als een realtime beslissingshulpmiddel dat interpreteerbare risicoscores levert aan clinici op het punt van zorg.

In deze review beginnen we met het introduceren van TAR, vatten we bestaande TAR-modellen samen, presenteren we het concept van machine learning, benadrukken we de voordelen van machine learning en bespreken we de toepassingen ervan bij ziektevoorspelling. We onderzoeken verder de mogelijke toepassing van machine learning in TAR en bieden richtlijnen voor toekomstige onderzoekers bij de ontwikkeling van TAR-SK leermodellen. Daarnaast lichten we de mogelijke rol van SK-learn toe bij het beoordelen van TAR-risico, maar benadrukken we dat opvallende beperkingen de klinische toepassing aanzienlijk beperken. Huidige TAR-modellen zijn voornamelijk gebaseerd op retrospectieve, enkel-centrale datasets, die mogelijk geen regionale variaties in transfusiepraktijken, demografische kenmerken zoals leeftijdsgebonden verschillen tussen pediatrische en volwassen populaties, of genetische vatbaarheid tussen diverse populatiesvastleggen 19,26,31,32 . Bovendien integreren deze modellen multiomics-gegevens onvoldoende, waaronder donor-HLA-antilichaamprofielen en ontstekingsproteomica van ontvangers, die cruciaal zijn voor het begrijpen van immuungemedieerde TAR-mechanismen zoals TRALI. Deze beperking beperkt hun vermogen om te onderscheiden tussen immuun- en niet-immuunsubtypes25,40. Interpreteerbaarheid blijft een belangrijke uitdaging: hoewel SK-learn tools biedt zoals SHAP-waarden, kunnen clinici terughoudend zijn om deze modellen te adopteren als algoritmische voorspellingen, zoals zeldzame genetische markers, biologische validatie als risicofactor missen, wat leidt tot een kloof tussen machine learning-resultaten en klinische intuïtie14,50. Praktische implementatie kent ook uitdagingen, zoals de noodzaak van robuuste computationele infrastructuur en gestandaardiseerde voorverwerking van elektronische patiëntendossiergegevens (EPD), die vaak niet beschikbaar zijn in omgevingen met beperkte middelen47,87.

Om deze hiaten aan te pakken, moet toekomstig onderzoek prioriteit geven aan prospectieve multicenter dataverzameling, zoals het integreren van datasets uit internationale TAR-registers, waaronder het Britse SHOT-systeem en Chinese pediatrische cohorten, om selectiebias te verminderen en de generaliseerbaarheid van modellente vergroten 19,36. De opname van multimodale gegevens, waaronder single-cell RNA-sequencing van donorbloed en ontstekingseiwitmarkers, in de SK-learn-pijplijn kan de classificatie van TAR-subtypes verbeteren, vergelijkbaar met de 12-24% verbetering in sensitiviteit die werd waargenomen in tuberculoseresistentie-voorspellingsstudies73. Samenwerking met immunologen om mechanismen te valideren, zoals het koppelen van door SK-learn geïdentificeerde risicokenmerken – specifieke HLA-antistofcombinaties – aan in vitro complementactivatieassays, kan de kloof tussen algoritmische voorspellingen en biologische mechanismenoverbruggen 22,24. De ontwikkeling van gebruiksvriendelijke klinische beslissingsondersteunende tools die automatisch realtime functies uit EPD's kunnen halen, zoals transfusievolume en BNP-niveaus, en interpreteerbare risicoscores bieden naast traditionele diagnostische criteria, is essentieel voor naadloze integratie in klinische workflows 97.107.

In vergelijking met traditionele TAR-modellen, zoals ABO/Rh-matching en TRACK-scores, heeft SK-learn aanzienlijke voordelen. Ensemble-algoritmen zoals LightGBM blinken bijvoorbeeld uit in het modelleren van niet-lineaire interacties tussen risicofactoren, zoals donoranti-HLA-antilichamen en ontvanger IL-6-niveaus, wat resulteert in een toename van 12-24% in gevoeligheid in antibioticaresistentie-voorspellingsstudies. Datagedreven feature-prioriteringstools, zoals het belang van permutatiekenmerken, kunnen nieuwe risico-indicatoren identificeren, waaronder de duur van bloedopslag en onopgemerkte complicaties, voorbij vooraf gedefinieerde klinische kennis45,93. Bovendien maken de open-source architectuur en matige rekenkundige eisen het toepasbaar in omgevingen met beperkte middelen, in tegenstelling tot deep learning-frameworks 69,93.

Om dit potentieel om te zetten in klinische impact, moet toekomstig werk zich richten op verschillende kerngebieden. Ten eerste is prospectieve, multicenter dataverzameling essentieel om selectiebias te overwinnen en de generaliseerbaarheid van het model te verbeteren over diverse populaties. Ten tweede zal het integreren van multimodale data (bijv. donorantilichaamprofielen, ontstekingsmarkers van ontvangers) een uitgebreidere functieset bieden, waardoor sklearn-modellen beter onderscheid kunnen maken tussen TAR-subtypes en complexe risico-interacties kunnen vastleggen. Ten derde is biologische validatie van door algoritmen geïdentificeerde risicokenmerken (bijvoorbeeld het koppelen van specifieke HLA-antilichamen aan in vitro assays) cruciaal om de kloof tussen statistische voorspelling en mechanistisch begrip te overbruggen en zo klinisch vertrouwen op te bouwen. Tot slot zal het ontwikkelen van gebruiksvriendelijke, interpreteerbare klinische tools die realtime risicoscores leveren, de naadloze integratie van deze modellen in de routineworkflow mogelijk maken, waardoor het paradigma verschoof van reactiemanagement naar preventieve preventie.

Samenvattend benadrukt deze review het transformerende potentieel van SK-learn bij risicobeoordeling van bloedtransfusie, waarbij de beperkingen van traditionele regelgebaseerde methoden worden aangepakt. Door complexe klinische gegevens te integreren, risicokenmerken te prioriteren en interpreteerbare voorspellingen te bieden, vormt SK-learn een hoeksteen voor precisietransfusiegeneeskunde. Het realiseren van dit potentieel vereist echter interdisciplinaire samenwerking, grootschalige multicentervalidatie van SK-learn-modellen, integratie van multiomics en realtime klinische data, en ontwikkeling van clinici-vriendelijke tools om algoritmische inzichten te verbinden met biologische mechanismen.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Conclusies

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

figure-results-1
Figuur 1: Illustratie van TAR-categorieën en het huidige risicobeoordelingsmodel gecombineerd met mogelijke strategieën van SK-learn in TAR-risicobeoordeling. (A) TAR kan worden onderverdeeld in twee typen: immuungemedieerde reacties en niet-immuungemedieerde reacties. (B) Huidige risicobeoordelings...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Openbaarmakingen

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

De auteurs verklaren dat zij geen concurrerende belangen hebben.

Dankbetuigingen

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

Dit werk werd ondersteund door het Luzhou Science and Technology Bureau, nr. 2024JYJ034, titel: Effecten van bestraling en opslagtijd op extracellulaire blaasjes in bloedplaatjesconcentraten.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Referenties

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

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Herprints en machtigingen

Toestemming aanvragen om de tekst of afbeeldingen van dit JoVE-artikel te hergebruiken

Toestemming aanvragen

Trefwoorden

Precisiegeneeskundebloedtransfusieklinische voorspellingsmodellenmodelinterpreteerbaarheidmedische risicovoorspellingdataheterogeniteit

Gerelateerde artikelen