Artykuł przeglądowy

Podejścia uczenia maszynowego do precyzyjnej oceny ryzyka reakcji niepożądanych po transfuzji: przegląd oparty na uczeniu się w Scikit

DOI:

10.3791/69658

⸱

20 stycznia 2026

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

* These authors contributed equally

W tym artykule

Podsumowanie

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

Niniejszy przegląd analizuje potencjał biblioteki uczenia maszynowego scikit-learn do przewidywania reakcji niepożądanych związanych z transfuzją. Przedstawia ramy oparte na danych, które mają na celu poprawę oceny ryzyka, rozwiązanie ograniczeń konwencjonalnych podejść oraz wsparcie rozwoju precyzyjnej medycyny transfuzyjnej.

Streszczenie

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

Działania niepożądane po transfuzji (TAR) obejmują niepożądane skutki występujące podczas lub po transfuzji krwi, wynikające z podawania krwi, produktów krwiopochodnych lub materiałów związanych z transfuzją. Reakcje te mogą powodować łagodne lub ciężkie przejawy kliniczne, w tym reakcje alergiczne, hemolizę oraz ostre uszkodzenie płuc związane z transfuzją (TRALI). Obecne konwencjonalne podejścia — takie jak dopasowywanie grup krwi ABO/Rh oraz protokoły masowej transfuzji — mogą poprawić wyniki leczenia pacjentów, ale nie rozwiązują złożonych czynników specyficznych dla pacjenta. W związku z tym opracowanie dedykowanego modelu ryzyka TAR jest niezbędne. Algorytmy uczenia maszynowego (ML) mogą wykorzystywać duże zbiory danych klinicznych i laboratoryjnych do tworzenia modeli diagnostycznych i prognostycznych, rozwijając medycynę spersonalizowaną i precyzyjną. Warto zauważyć, że algorytm ML scikit-learn (SK-learn) nie został jeszcze bezpośrednio zastosowany do oceny ryzyka TAR; Niemniej jednak, jego skuteczność w budowie podobnych modeli prognozowania ryzyka medycznego zyskała znaczące uznanie. Niniejszy przegląd przedstawia ramy oparty na ML do przewidywania i zapobiegania TAR, ze szczególnym naciskiem na rolę SK-learn w różnych kontekstach klinicznych. Nasza analiza stanowi podstawy do przyszłej precyzyjnej diagnostyki TAR oraz rozwoju algorytmów SK-learn. Co istotne, nasza synteza literatury wskazuje, że sklearn oferuje wszechstronny i potężny zestaw narzędzi do tego zadania; Jednak jej skuteczne przełożenie na praktykę kliniczną zależy od pokonania kluczowych wyzwań, w tym wielocentrowej heterogeniczności danych oraz potrzeby solidnej interpretowalności modeli.

Wprowadzenie

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

Transfuzja krwi to ratująca życie interwencja stosowana w różnych kontekstach klinicznych, w tym w opiece urazowej, zabiegach chirurgicznych, nagłych przypadkach położniczych, leczeniu onkologicznym oraz leczeniu przewlekłych zaburzeń hematologicznych 1,2. Pomimo istotnych korzyści terapeutycznych, transfuzje mogą powodować różne zdarzenia niepożądane, łącznie określane jako reakcje niepożądane transfuzji (TARs)3,4. TAR to schorzenie wieloczynnikowe, które objawia się od łagodnych reakcji alergicznych po poważne powikłania. Najczęstsze reakcje to gorączkowe, niehemolityczne reakcje transfuzyjne (FNHTR) oraz reakcje alergiczne, z odnotowanymi występowaniami około 26 i 21 na 100 000 przetoczonych jednostek, odpowiednio 5,6. Dopasowanie grup krwi ABO/Rh oraz standaryzowane procedury transfuzji mogą znacząco zmniejszyć ryzyko TAR, a tym samym zwiększyć bezpieczeństwo pacjenta 7,8,9. Nie są w stanie w pełni zapobiec tym zdarzeniom, zwłaszcza tym z etiologią złożoną lub immunologiczną.

Dowody sugerują, że ML, poddziedzina sztucznej inteligencji (AI), ułatwia integrację złożonych, multimodalnych danych. Ta zdolność usprawnia podejmowanie decyzji klinicznych, ułatwia spersonalizowane leczenie i optymalizuje usługi medyczne, ostatecznie poprawiając wyniki leczenia10,11. SK-learn, wprowadzony w 2007 roku, to otwartoźródłowa biblioteka uczenia maszynowego w Pythonie. Podstawowe funkcje obejmują analizę regresji realizowaną za pomocą algorytmów ML, a także klasyfikację, klasteryzację, redukcję wymiarowości, wybór modelu oraz możliwości wstępnego przetwarzania12. W zastosowaniach medycznych SK-learn jest wykorzystywany głównie do przewidywania chorób, klasyfikacji diagnostycznej oraz stratyfikacji ryzyka klinicznego13,14. Na przykład badanie wykorzystało bibliotekę SK-learn do stworzenia modelu predykcyjnego, który skutecznie rozróżniał nefropatię cukrzycową od niecukrzycowej, wspierając tym samym diagnozę kliniczną i leczenie15. Wykorzystując zalety algorytmu sklearn, jego skuteczność w budowie modeli prognozowania ryzyka reakcji niepożądanych po transfuzji (TAR) zyskała znaczące uznanie16,17.

Niniejszy przegląd syntetyzuje najnowsze osiągnięcia w algorytmach uczenia maszynowego SK-learn i przedstawia ich zastosowania translacyjne w różnych kontekstach chorób. Ponadto ustanawia ramy dla przyszłego klinicznego wdrożenia SK-learn w diagnozie i modelowaniu predykcyjnym TAR o stratyfikowanym ryzyku.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przegląd i perspektywa

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

Przegląd TAR
Patogeneza TAR
TAR obejmuje szerokie spektrum objawów klinicznych i mechanizmów patofizjologicznych (Tabela I). Reakcje te są głównie klasyfikowane na podtypy pośredniczone przez organizmy immunologiczne i nieimmunologiczne 7,9,18,19. Reakcje immunologiczne zazwyczaj obejmują interakcje antygen-przeciwciało, prowadzące do hemolizy lub ogólnoustrojowych odpowiedzi zapalnych. Przykładowym przykładem jest niekompatybilność ABO, która może wywołać ostre reakcje hemolityczne transfuzji (AHTR). Stan ten objawia się gorączką, bólem boków, nadciśnieniem, rozproszonym krzepnięciem wewnątrznaczyniowym (DIC) oraz ostrą niewydolnością nerek 7,9,20. Ponadto reakcje nadwrażliwości typu I mogą wywoływać reakcje alergiczne na transfuzję, a kliniczne objawy mogą obejmować łagodną pokrzywkę po zagrażającą życiu anafilaksję. Co istotne, reakcje te często są związane z produktami płytek krwi ze względu na obecność pozostałych białek osocza dawcy, w tym cząsteczek alergenu podpyłkowego 18,21,22,23. TRALI jest klinicznie definiowane przez ostre wystąpienie hipoksemii i niekardiogennego obrzęku płuc w ciągu 6 godzin po transfuzji. Patogeneza obejmuje głównie przeciwciała pochodzące od dawcy przeciwko ludzkim antygenom leukocytów (HLA) lub antygenom specyficznym dla granulocytów 21,22,24. Warto zauważyć, że niektóre antygeny grupy krwi, takie jak antygeny układu Kidda, mogą wywoływać opóźnione reakcje hemolityczne, znane również jako DHTR, gdy są celem przeciwciał antyHLA pochodzących od dawcy. Oddzielnie, TRALI, będący rodzajem ostrego uszkodzenia płuc związanego z transfuzją, stanowi odrębną patologiczną jednostkę pośredniczoną przez dawcy przeciwciała anty-HLA poprzez mechanizmy aktywacji neutrofili 6,22. Reakcje transfuzyjne niepodlegające immunologii obejmują kilka jednostek klinicznych, w tym reakcje septyczne spowodowane zanieczyszczeniem bakteryjnym, przeciążeniem objętościowym, hemolizą mechaniczną lub termiczną oraz przeciążeniem krążenia związanym z transfuzją (TACO)9,23. Reakcje transfuzji septycznej są wynikiem wlewu produktów krwi skażonych bakteriami, najczęściej Staphylococcus spp., Staphylococcus aureus i Escherichia coli w płytkach krwi oraz Yersinia enterocolitica w czerwonych krwinkach. Klinicznie objawiają się wysoką gorączką, stężeniem, niedociśnieniem i mogą szybko przechodzić do wstrząsu. Co istotne, dzięki wdrożeniu wysoce czułego przesiewu patogenów, ryzyko klasycznych zakażeń przenoszonych transfuzją (TTI, np. HIV, HCV) zostało drastycznie zmniejszone. W konsekwencji reakcje septyczne, szczególnie po transfuzjach płytek przechowywanych w temperaturze pokojowej, są obecnie częściej zgłaszanym powikłaniem zakaźnym transfuzji niż TTI. Infekcje przenoszone transfuzją, które mogą być wywoływane przez różne patogeny, takie jak wirusy, bakterie i pasożyty, mogą wywoływać TAR poprzez aktywację wrodzonego układu odpornościowego. Najnowsze przeglądy systematyczne pokazują, że kompleksowe badania przesiewowe patogenów immunogennych pozostają głównym wyzwaniem w zapobieganiu infekcjom TAR 25,26,27,28 (Tabela 1).

Epidemiologia TAR
W krajach rozwiniętych ogólna częstość występowania TAR pozostaje stosunkowo niska. Obecne dane z monitoringu wskazują, że reakcje alergiczne i gorączkowe reakcje transfuzyjne bez hemolizy (FNHTR) należą do najczęściej zgłaszanych zdarzeń niepożądanych, przy czym reakcje alergiczne są obecnie częstsze niż FNHTR w wielu systemach raportowania. Opóźnione reakcje serologiczne transfuzyjne (DSTR) są rzadziej zgłaszane 5,9,29. Niemniej jednak TAR nadal stanowi poważne wyzwania kliniczne w krajach rozwijających się i w określonych populacjach, a ten podwyższony profil ryzyka wynika z czynników wieloczynnikowych, w tym różnic w standardowych protokołach przesiewowych, nieoptymalnych procedur obsługi produktów krwi, heterogenicznych praktyk transfuzji oraz populacyjnie specyficznych predyspozycji genetycznych26,27. Pacjenci z anemią sierpowatą są szczególnie podatni na reakcje hemolityczne i alloimmunizację. To podwyższone ryzyko przypisuje się przewlekłemu zapaleniu, fenotypowym różnicom w antygenach RBC między populacjami pacjentów z przeważająco białymi dawcami a afrykańskimi SCD oraz wysoką ekspozycją na transfuzje przez całe życie, a nie obecnością samej hemoglobiny sierpowatej20,30. Warto zauważyć, że najnowsze dane z monitoringu z głównych chińskich ośrodków medycznych wykazały wyższą częstość alergicznego TAR u dzieci i noworodków niż u dorosłych, co wynika z różnych progów transfuzji i praktyk klinicznych. Z kolei europejskie kohorty wykazują przeciwny wzorzec epidemiologiczny w tych grupachwiekowych 19, 31, 32 lata. Na przykład Guo, K. i in. 19 poinformowali, że dzieci w dużym chińskim ośrodku doświadczały reakcji alergicznych częściej niż dorośli, podczas gdy u noworodków progi transfuzji i praktyki znacznie różnią się w całej Europie33.

Obecne badania kliniczne rozwijające modele oceny ryzyka TAR wykorzystują trzy podstawowe podejścia strategiczne: profilaktyczne na poziomie stratyfikowanym ryzykem, systemy ciągłego monitorowania w czasie rzeczywistym oraz spersonalizowane protokoły zarządzania dla populacji wysokiego ryzyka. Modele ryzyka te wykazują system klasyfikacji bimodalnej, obejmujący zarówno kompleksowe narzędzia przesiewowe o uniwersalnym zastosowaniu do biorców transfuzji, jak i specjalistyczne algorytmy predykcyjne zaprojektowane do identyfikacji konkretnych podtypów reakcji niepożądanych34,35. Narzędzia oceny ryzyka uogólnione, przykładem brytyjskiego systemu Serious Hazards of Transfusion (SHOT), wykorzystują zbiory danych na poziomie populacji do stratyfikacji osób objętych transfuzją. Systemy te wykazują szczególną skuteczność w identyfikacji kohort wysokiego ryzyka, w tym pacjentów z historią wielu transfuzji lub chorób autoimmunologicznych36. Konwencjonalna metodologia oceny Transfusion Risk and Clinical Knowledge (TRACK) wykorzystuje statyczne wskaźniki wydajności z ustalonymi wartościami progowymi do ilościowego określenia wydajności modelu w ramach określonych granic decyzyjnych. To podejście charakteryzuje zdolność predykcyjną modelu przy ograniczonych parametrach operacyjnych37. Najnowsze osiągnięcia przyniosły nowe narzędzia do stratyfikacji ryzyka do przewidywania transfuzji. Nowo opracowany system SCORE zawiera sześć klinicznie zweryfikowanych czynników predykcyjnych do oszacowania prawdopodobieństwa transfuzji. Analizy porównawcze pokazują, że ten uproszczony model osiąga porównywalną dokładność predykcyjną i kalibrację do konwencjonalnego wyniku TRACK podczas prognozowania potrzeb transfuzji w procedurach chirurgicznych serca38.

Oprócz konkretnych modeli reakcji, wiele modeli in vivo zostało niedawno przebadanych39. TRALI to klinicznie istotne powikłanie, którego profil ryzyka jest określany przez współdziałanie przeciwciał antyludzkich leukocytów/anty-neutrofilowych (anty-HLA/HNA) pochodzących od dawcy, podwyższonych biomarkerów zapalnych biomarkerów biowirusa, w tym interleukiny-6, oraz objętości podanej transfuzji 34,39,40 . Ryzyko przeciążenia krążenia związanego z transfuzją (TACO) jest często oceniane za pomocą klinicznych systemów punktacji, które uwzględniają takie parametry jak podwyższone poziomy peptydu natriuretycznego typu B (BNP lub NT-proBNP), historia zaburzeń serca, wysoki wskaźnik transfuzji oraz dodatnia równowaga płynów. Ryzyko hemolizy immunologicznej jest prewencyjnie oceniane za pomocą przesiewowego badania przeciwciał za pomocą pośredniego testu antyglobulinowego (pośredni test Coombsa), który wykrywa klinicznie istotne aloantyciała w osoczu biorcy. Identyfikacja tych przeciwciał umożliwia wybór jednostek krwi ujemnych na antygeny do transfuzji, zapobiegając tym samym reakcjom antygen-przeciwciała, które w innym przypadku wywołałyby hemolizę. Historia transfuzji pacjenta jest również kluczowa dla identyfikacji wcześniejszej wrażliwości i ryzyka opóźnionych reakcji hemolitycznych. Te modele mechanistyczne integrują wielowymiarowe parametry kliniczne i laboratoryjne, aby zwiększyć precyzję przewidywania reakcji niepożądanych 34,39,41. Ponadto opracowano protokoły masowej transfuzji (MTP), aby zmniejszyć śmiertelność związaną z wstrząsem krwotocznym u pacjentów z ciężkim krwawieniem lub pacjentów chirurgicznych poprzez standaryzację stosunku krwinek, osocza i płytek krwinek42,43. Jednak te praktyki obniżyły zachorowalność związaną z transfuzją i nie oddają w pełni złożonej interakcji zmiennych immunologicznych i nieimmunologicznych, które definiują bezpieczeństwo transfuzji. Wiele istniejących systemów i protokołów punktacji zostało zweryfikowanych w warunkach kontrolowanych lub węższych grupach pacjentów, co czyni je suboptymalnymi w rzeczywistych, heterogenicznych środowiskach16,44,45,46. Ewoluujące profile patogenów, zmiany w populacjach dawców oraz złożoność nowoczesnej opieki medycznej dodatkowo stanowią wyzwanie dla statycznych zbliżeń 25,26,47. To tło pobudziło rosnące zainteresowanie zastosowaniem uczenia maszynowego do udoskonalania oceny ryzyka transfuzji, łącząc dane kliniczne, wyniki laboratoryjne oraz nowe dziedziny, takie jak multiomika, aby tworzyć bardziej zaawansowane modele predykcyjne (Rysunek 1)48,49,50.

Obecna konstrukcja modelu oceny ryzyka klinicznego za pomocą uczenia maszynowego
Uczenie maszynowe (ML), jako podstawowy paradygmat sztucznej inteligencji, umożliwia podejmowanie decyzji adaptacyjnych poprzez automatyczne odkrywanie ukrytych wzorców danych oraz indukcyjne generowanie modeli predykcyjnych, omijając tym samym jawne programowanie proceduralne i umożliwiając ciągłe doskonalenie wydajności w złożonych, ewoluujących dziedzinach, w tym diagnostyce medycznej i prognozowaniu51. Ewolucja uczenia maszynowego przeszła przez trzy wyraźne fazy: (1) erę założycielską, która ustanowiła teoretyczne podstawy52; (2) renesans algorytmiczny, charakteryzujący się znaczącym postępem w maszynach wektorów wsparcia i metodach zespołowych53; oraz (3) rewolucja głębokiego uczenia, w której sieci neuronowe splotowe i rekurencyjne, napędzane akceleracją GPU i big data, zapoczątkowały przełomowe zmiany paradygmatów w wielu dziedzinach54. W zastosowaniach medycznych zrewolucjonizowali diagnostykę obrazów medycznych i wykrywanie biomarkerów55.

Obecne systemy uczenia maszynowego dzielą się na trzy podstawowe paradygmaty oparte na mechanizmach uczenia się: (1) uczenie nadzorowane, które opiera się na oznaczonych zbiorach treningowych do modelowania predykcyjnego; (2) uczenie się nienadzorowane, które odkrywa struktury ukryte na podstawie danych nieprzypisanych; oraz (3) uczenie głębokie, które wykorzystuje hierarchiczne architektury neuronalne do automatycznego odwzorowywania abstrakcji cech. Razem te paradygmaty stanowią podstawowe metodologie leżące u podstaw współczesnych zastosowań AI56.

W ostatnich latach ML zyskał szerokie zastosowanie w rozwoju markerów diagnostycznych medycznych, ocenie rokowania oraz konstrukcji modeli ryzyka57,58. Dane medyczne często wykazują wysoką wymiarowość, co stanowi poważne wyzwania dla efektywnej analizy metodą tradycyjną14,59. Techniki ML doskonale wydobywać kluczowe cechy z tak złożonych zbiorów danych, ułatwiając identyfikację istotnych cech. Zastosowanie ML w medycynie transfuzyjnej szybko się rozwija. Na przykład modele ML wykazały lepsze wyniki w zadaniach takich jak klasyfikacja obrazów medycznych i analiza patologiczna, co doprowadziło do znacznej poprawy dokładności wczesnej diagnozy i stratyfikacji rokowania60,61. Wykorzystując dane specyficzne dla pacjenta, takie jak profile genomowe i metabolomowe, ML może przewidywać spersonalizowane odpowiedzi na leczenie, rozwijając dziedzinę medycyny precyzyjnej62. Poza przewidywaniem potrzeby transfuzji, ML jest również stosowany do optymalizacji zarządzania produktami krwi. Badania wykorzystywały ML do zadań takich jak prognozowanie zużycia płytek krwi oraz personalizacja harmonogramów przedoperacyjnych badań krwi, wykazując potencjał do poprawy zarządzania zapasami i ograniczenia marnotrawstwa.

Ponadto ML umożliwia integrację danych wieloźródłowych, w tym obrazowania, genomiki oraz elektronicznej dokumentacji medycznej (EHR), aby tworzyć kompleksowe modele predykcyjne63. Dodatkowo ML obsługuje alerty ryzyka w czasie rzeczywistym, takie jak przewidywanie sepsy pacjentów na OIOM-ie, oraz automatyzuje procesy diagnostyczne, zmniejszając tym samym obciążenie pracownikami służby zdrowia64. ML znacząco przyczyniło się do rozwoju precyzji modeli prognozowania raka oraz rozwoju celów poprzez integrację danych multiomicznych, analizę złożonych wzorców oraz przyspieszanie projektowania leków. Ponadto uczenie maszynowe zwiększa dokładność diagnostyczną, identyfikując zarówno znane, jak i nieznane wzorce wskazujące na obecność lub brak nowotworu65. Badanie symulacyjne wykazało, że radiolodzy mogą pominąć przewidywane negatywne przypadki, zmniejszając obciążenie do odczytu tylko 80,7% mammografii, zachowując jednocześnie ogólną czułość i swoistość. Wykazano, że modele CNN mogą być używane do segmentacji tkanek funkcjonalnych na podstawie obrazów ultrasonograficznych piersi, co pomaga klinicystom w interpretacji i diagnozie tych obrazów66. Rokowanie i wybór leczenia w dużej mierze opierają się na cechach guza, z których wiele można przewidzieć za pomocą modeli ML opartych na obrazach. Niektórzy badacze zastosowali 3D CNN do przewidywania statusu mutacji EGFR w gruczolakorakaczu płuc na podstawie ręcznie wybranych obszarów zainteresowania (ROI) w tomografii komputerowej, oferując nieinwazyjną alternatywę dla genotypowania nowotworów i informując potencjalne strategie terapeutyczne67. Nowe technologie genomowe, takie jak transkryptomika jednokomórkowa i transkryptomika przestrzenna, mają znaczące szanse na rewolucję w charakteryzacji histologicznej guzów litych. Konkretnie, transkryptomika jednokomórkowa umożliwia szczegółową analizę składu komórkowego, umożliwiając modelom ML przewidywanie odpowiedzi na leczenie raka oraz potencjalne mechanizmy oporności na leki68.

Głębokie uczenie (DL), jako poddziedzina ML, wykorzystuje wielowarstwowe algorytmy sieci neuronowych inspirowane architekturą neuronową mózgu do modelowania predykcyjnego69. W przeciwieństwie do metod ML, takich jak regresja logistyczna, które wykorzystują architekturę sieci neuronowych, DL umożliwia modelom skalowanie wykładniczo wraz ze wzrostem ilości danych i wymiarowości69. DL jest szeroko stosowane w zastosowaniach medycznych. W ostatnich latach szeroko wdrażano nowe techniki głębokiego uczenia do diagnozowania nowotworów, prognozowania oraz identyfikacji schematów terapeutycznych. Różne architektury sieci neuronowych, w tym perceptrony wielowarstwowe (MLP), sieci rekurencyjne neuronowe (RNN) oraz sieci neuronowe splotowe (CNN), stanowią podstawowe elementy zaawansowanych metodologii69. Badania wprowadziły model CNN zdolny do przewidywania ryzyka nowotworów nie tylko na poziomie obrazu, ale także na poziomie pikseli, dostarczając mapy cieplne podkreślające obszary najbardziej narażone na rozwój nowotworów70. Integracja głębokich CNN z systemami oceny nowotworów opartych na histologii okazała się skuteczna, a badania wskazują, że modele te mogą osiągnąć wyniki porównywalne z tymi u patologów ludzkich w ocenie nowotworów prostaty, piersi, jelita grubego i chłoniaka 71,72,73,74,75. Naukowcy wykazali, że segmentowanie tkanek nowotworowych za pomocą generatora opartego na CNN może pomóc klasyfikatorowi opartemu na CNN przewidzieć stopień raka prostaty76. Niektórzy badacze wykorzystali hybrydowy model grafu konwolucyjnej sieci neuronowej (GCNN) do mapowania profili ekspresji genów na sieć interakcji białko-białko STRING (PPI), umożliwiając przewidywanie molekularnych podtypów raka piersi69,77. Uczenie maszynowe wykazało również istotną zastosowanie w chorobach nienowotworowych, szczególnie w modelowaniu diagnostycznym. Na przykład badania przeprowadzały zewnętrzne i prospektywne szkolenia oraz walidację modeli uczenia maszynowego, aby przewidywać śmiertelność i krytyczne zdarzenia wśród pacjentów z COVID-19 w różnych okresach czasowych. Modele te skutecznie zidentyfikowały pacjentów wysokiego ryzyka i wyjaśniły podstawowe zależności, które przyczyniły się do wyników predykcyjnych78. Tradycyjne modele radiomiczne opierają się głównie na ręcznie zaprojektowanych cechach wywodzących się wyraźnie z obrazów medycznych. Naukowcy badali, czy głębokie cechy wyodrębnione za pomocą transferowego uczenia mogłyby być wykorzystane do generowania sygnatur radiomicznych do przewidywania całkowitego przeżycia (OS) pacjentów z glejakiem wieloformowym (GBM)79. W ostatnich latach ML wykazało znaczące postępy w mikrobiologii80. Kluczowym zastosowaniem w tej dziedzinie jest umożliwienie pracownikom służby zdrowia szybkiego i precyzyjnego diagnozowania mikroorganizmów odpowiedzialnych za choroby zakaźne u pacjentów, co jest kluczowe dla określenia odpowiednich strategii leczenia. Modele ML mogą uzyskać precyzyjne diagnozy, jeśli mają odpowiednie dane wejściowe80. Wykazano, że wykorzystanie wstępnie wytrenowanej sieci konwolucyjnej neuronowej (CNN) jako ekstraktora cech, w połączeniu z walidacją krzyżową na poziomie pacjenta, może skutecznie rozróżnić komórki zakażone malarią od komórek niezakażonych, co usprawnia procesy przesiewowe choroby81. Opracowano model uczenia maszynowego oparty na kohorcie 1 839 izolatów bakteryjnych z Wielkiej Brytanii, aby sklasyfikować profile oporności Mycobacterium tuberculosis (M. tuberculosis) na osiem leków przeciwgruźlizowych (izoniazyd, ryfampicina, ethambutol, pirazynamid, ciprofloksacyna, moksyfloksacyna, ofloksacyna i streptomycyna), w tym gruźlica oporna na wiele leków. W porównaniu z poprzednimi metodami, najlepiej działający model poprawił czułość na izoniazyd, ryfampicynę i ethambutol o 2-4%, osiągając czułość na poziomie 97% (P < 0,01). Wrażliwość na cyprofloksacynę i gruźlicę oporną na wiele leków wzrosła do 96%. W przypadku moksyfloksaciny i ofloksacyny wrażliwość wzrosła odpowiednio z 83% i 81%, na podstawie znanych alleli oporowych, do 95% i 96% (P < 0,01), co oznacza poprawę odpowiednio o 12% i 15%. Co istotne, w porównaniu z podejściami opartymi na regułach, model zwiększył wrażliwość na pirazynamid i streptomycynę odpowiednio o 15% i 24%, osiągając 84% i 87% (P < 0,01). Model najlepiej działający zwiększył również obszar pod krzywą ROC dla pirazynamidu i streptomycyny o 10% (P < 0,01), a dla innych leków o 4-8% (P < 0,01).

Na przykład modele DL są często trenowane do analizy obrazów mammograficznych, aby przewidzieć prawdopodobieństwo rozwoju raka u pacjenta w przyszłości82. Ponadto niektórzy badacze podkreślali zalety tej bezpośredniej metody prognozowania ryzyka, wskazując, że wynik ryzyka raka piersi generowany przez model konwolucyjnej sieci neuronowej Inception-ResNet-v2 jest dokładniejszy niż wynik uzyskany z klinicznej oceny gęstości piersi83. Podobnie niektórzy badacze opracowali model mammografii oparty na DL, który przewyższa model ryzyka Tyrera-Cuzicka, opierający się na cechach klinicznych, takich jak wiek pacjentki, przewidując pięcioletnie ryzyko rozwoju raka piersi u kobiet w wieku84 lat.

Dodatkowo uczenie maszynowe zostało zastosowane w medycynie transfuzyjnej. Rosnące zainteresowanie zastosowaniem AI w medycynie transfuzyjnej podkreśla jej udział w głównych forach zawodowych, takich jak dedykowana konferencja organizowana przez International Society of Blood Transfusion (ISBT) Clinical Transfusion Working Party, która bada potencjał AI w praktyce, edukacji i badaniach TM85. Transfuzja krwi (BT) jest kluczowym elementem opieki medycznej dla pacjentów chirurgicznych na OIOM-ie. Badanie to przeanalizowało dane od 9 118 pacjentów chirurgicznie na OIOM-ie w bazie UMC, wykorzystując uczenie maszynowe do przewidywania potrzeb transfuzji krwi. Porównując wydajność algorytmów XGBoost i regresji logistycznej (LR) na podstawie danych od 6 godzin przed przyjęciem na OIOM do 1, 2, 3 i 6 godzin po przyjęciu, badania wykazały istotne różnice w cechach pacjentów między grupami transfuzyjnymi a nietransfuzyjnymi. Wyniki te potwierdzają wykonalność uczenia maszynowego w przewidywaniu potrzeb transfuzji krwi u pacjentów chirurgicznych na OIOM-ie86. Często konieczne są transfuzje krwi allogeniczne podczas operacji stawu biodrowego, ale wiążą się ze zwiększonym ryzykiem chorobności. Dokładne przewidywanie potrzeb transfuzji jest niezbędne do minimalizacji marnotrawstwa krwi i optymalizacji podejmowania decyzji przedoperacyjnych. Najnowsze badania ustanowiły 14 algorytmów uczenia maszynowego do przewidywania ryzyka transfuzji, uwzględniając dane demograficzne pacjentów, wyniki badań przedoperacyjnych oraz informacje chirurgiczne. Wydajność modelu oceniano za pomocą dyskryminacji, kalibracji oraz analizy krzywej decyzyjnej. Do interpretacji modeli zastosowano wyjaśnienia addytywne SHapley (SHAPs), przy czym klasyfikator grzbietowy wykazał najwyższą dokładność predykcyjną, osiągając AUC 0,85 (95% CI: 0,81-0,88) oraz wynik Briera 0,21. Model uczenia maszynowego tego badania wykazał wysoką wydajność predykcyjną dotyczącą potrzeb przefuzji okołooperacyjnej w operacjach stawu biodrowego, wykorzystując dostępne zmienne kliniczne87.

Ponadto uczenie maszynowe zostało z powodzeniem zintegrowane z projektowaniem leków, rozwiązując wyzwania takie jak czas i koszty obliczeniowe, jednocześnie zwiększając niezawodność88,89. Wykorzystując trójwymiarowe środowisko wiązające ligandy białek, uczenie maszynowe ułatwia wyznaczanie docelowych struktur białek, co jest kluczowym krokiem w odkrywaniu leków90. Na przykład AlphaFold, narzędzie oparte na AI, może być trenowane bezpośrednio na danych z Protein Data Bank (PDB) i jest w stanie przewidywać struktury białek 3D na podstawie sekwencji aminokwasów91. AlphaFold stosuje proces dwuetapowy: najpierw CNN przekształca sekwencję aminokwasową białka w macierze odległości i kąta skrętu; po drugie, techniki optymalizacji gradientów przekształcają te macierze w strukturę 3D białka92.

Scikit-learn (sklearn) to biblioteka uczenia maszynowego oparta na Pythonie, szeroko ceniona za łatwość obsługi, obszerną dokumentację oraz solidne wsparcie społeczności93. Zapewnia kompleksową kolekcję metod nadzorowanych, takich jak regresja logistyczna, maszyny wektorowe wspierające oraz lasy losowe, a także metody nienadzorowane, w tym klasteryzację i redukcję wymiarowości93. Oferuje również potoki usprawniające wstępne przetwarzanie danych, trenowanie modeli, walidację krzyżową i dostrajanie hiperparametrów w zunifikowanym frameworku93. Narzędzia do interpretacji modeli, w tym wykresy znaczenia cech permutacyjnych i częściowych zależności, wraz z zaawansowanymi metodami zespołowymi, takimi jak losowy las i gradient boosting, konsekwentnie wykazują solidne wyniki predykcyjne w kontekstach opieki zdrowotnej45,93.

Biorąc pod uwagę te cechy, SK-learn był szeroko wykorzystywany w badaniach medycznych do zadań takich jak diagnoza chorób12,94, przewidywanie czasu przeżycia95, analiza dużych zbiorów obrazowych96 oraz budowa modeli prognozowania ryzyka dla stosowania transfuzji97. Ta sekcja szczegółowo analizuje konkretne przypadki zastosowań i techniczne wdrożenia oraz pokazuje zalety SK-learn w budowie modeli diagnostyki chorób i oceny ryzyka (Rysunek 2). Ze szczególnym uwzględnieniem obszaru raka, gdzie jego zastosowania są najbardziej rozległe i dojrzałe, analizujemy skuteczne praktyki i odpowiadamy na istniejące wyzwania 12,93,95,98. Ponadto badamy, jak te wnioski mogą służyć jako cenne źródła i inspiracje do opracowania modeli prognozowania ryzyka TAR.

SK-learn oferuje solidne ramy algorytmiczne, które integrują tradycyjne techniki uczenia maszynowego — w tym maszyny wektorowe wsparcia (SVM), losowe lasy i regresję logistyczną — z podejściami do głębokiego uczenia, takimi jak wielowarstwowy perceptron (MLP), dzięki czemu jest doskonale przystosowany do modelowania różnorodnych zbiorów danych dotyczących nowotworów. Na przykład przy opracowywaniu nowego systemu histologicznego do diagnozowania raka grzadźokorowego badacze wykorzystali bibliotekę sklearn w Pythonie do stworzenia wielowymiarowego modelu matematycznego. Model ten osiągnął ogólną dokładność diagnostyczną na poziomie 100%, wykazując szeroką zastosowanie we wszystkich wariantach morfologicznych99.

Ponadto narzędzia SK-learn, GridSearchCV oraz RandomizedSearchCV umożliwiają automatyczną optymalizację hiperparametrów. Na przykład podczas przewidywania przerzutów do węzłów chłonnych parametry modelu XGBoost były precyzyjnie dostosowywane poprzez walidację krzyżową, co skutkowało wartością AUC 0,95212. Na przykład maszyna wektorów wsparcia (SVM) wykazuje lepsze wyniki w zadaniach klasyfikacji raka piersi. Nieliniowa funkcja jądra umożliwia efektywne przetwarzanie danych obrazowania wysokowymiarowego. Badanie analizujące dane spektralne pacjentów z rakiem jamy ustnej wykazało, że SVM, w połączeniu z eliminacją cech rekurencyjnych (RFE), osiągnęło czułość na poziomie 95% i specyficzność 96%, co znacząco przewyższa tradycyjną liniową analizę dyskryminacyjną Fishera (FLD)100. Dodatkowo, analiza porównawcza przeprowadzona na zbiorze danych UCI dotyczącym raka piersi wykazała, że SVM przewyższa zarówno klasteryzację K-średnią, jak i sztuczne sieci neuronowe pod względem dokładności klasyfikacji oraz zdolności uogólniania101. Zdolność SVM do obsługi danych o wysokich wymiarach jest równie istotna dla predykcji TAR, gdzie modele muszą integrować liczne parametry kliniczne i laboratoryjne.

Metoda lasu losowego wykazuje lepsze wyniki w analizie ważności cech. Niektórzy badacze wykorzystali losowe lasy do integracji danych genomowych i klinicznych oraz identyfikacji kluczowych cech związanych z rokowaniem raka piersi. Wyniki klasteryzacji były istotnie skorelowane z wynikami klinicznymi102. To podejście można bezpośrednio przenieść na modelowanie TAR, aby zidentyfikować najbardziej wpływowe czynniki ryzyka, takie jak specyficzne przeciwciała dawcy czy markery zapalne biorców, na podstawie szerokiego wachlarza cech kandydatów.

XGBoost, jako reprezentatywny algorytm wzmacniający gradient, wykazuje znakomite wyniki w przewidywaniu stadium nowotworu. Badanie oparte na danych multiomicznych z TCGA wykazało, że XGBoost, w połączeniu z cechami metylacji DNA, może dodatkowo poprawić wydajność predykcyjną modeluklasyfikacyjnego 103. W innym badaniu dotyczącym przerzutów raka piersi XGBoost zoptymalizował swoje hiperparametry za pomocą Grid-Search CV i został połączony z wizualizacją wartości SHAP. Sześć kluczowych genów, takich jak SQSTM1 i GDF9, zostało pomyślnie zidentyfikowanych. AUC modelu osiągnęło 0,82, dostarczając nowe biomarkery dla prognozy ryzyka przerzutów104. Połączenie wysokowydajnych metod zespołowych, takich jak XGBoost, z wyjaśnieniem SHAP to potężny paradygmat, który można zastosować w modelach TAR, aby zapewnić klinicystom przejrzyste i praktyczne oceny ryzyka.

SK-learn oferuje standaryzowany zestaw narzędzi do wstępnego przetwarzania danych, który skutecznie radzi sobie z wysoką wymiarowością, nierównowagą i brakującymi wartościami w danych o nowotworach. Na przykład w przewidywaniu raka jelita grubego wykorzystano model regresji logistycznej, który analizuje cztery kluczowe wskaźniki, takie jak CEA i hemoglobina, do skonstruowania nieinwazyjnego modelu diagnostycznego z powierzchnią pod krzywą (AUC) 0,849, co znacząco przewyższa wykrywanie za pomocą pojedynczego markera nowotworowego105. Jeśli chodzi o niezrównoważone przetwarzanie danych, łącząc technikę nadpróbkowania SMOTE z biblioteki niezrównoważonego uczenia, XGBoost poprawił czułość klasy mniejszościowej (próbek złośliwych) o 8,36% w klasyfikacji raka piersi, a wartość F1 osiągnęła 96,2%106.

Połączenie SK-learn z narzędziami takimi jak SHAP i eli5 zapewnia przejrzystą interpretowalność modeli nowotworowych. W przewidywaniu przerzutów do węzłów chłonnych w raku piersi, model XGBoost wizualizowany za pomocą wartości SHAP pokazuje, że cechy ultrasonograficzne takie jak "podejrzane węzły chłonne" i "marginalne spikulacja" mają największy wkład w ryzyko przerzutów, co jest wysoce zgodne z logiką diagnostycznąkliniczną 12.

SK-learn wykazał znaczące korzyści w badaniach związanych z chorobami nienowotworowymi. Choroby nienowotworowe często wymagają integracji danych wieloźródłowych, w tym elektronicznej dokumentacji medycznej (EHR), obrazowania, genomiki, proteomiki i innych. SK-learn jest w stanie konsolidować EHR pacjentów, profile genetyczne oraz informacje o stylu życia, aby z większą precyzją przewidywać ryzyko chorób powiązanych. Na przykład algorytm losowego lasu z SK-learn został użyty do integracji danych EHR w celu przewidywania ryzyka chorób sercowo-naczyniowych. To podejście nie tylko znacząco poprawiło dokładność prognozowania ryzyka sercowo-naczyniowego, ale także zwiększyło liczbę pacjentów, którzy mogliby skorzystać z interwencji profilaktycznych, jednocześnie minimalizując niepotrzebne leczenie u innych107. Naukowcy wykorzystali bibliotekę uczenia maszynowego SK-learn firmy Python do opracowania i trenowania pięciu odrębnych modeli AI – regresji logistycznej, lasu losowego, AdaBoost, CATBoost i LightGBM – do przewidywania pooperacyjnych ponownych zerwania stożka rotatorów po artroskopowej naprawie stożka rotatorów (ARCR). Wytrenowane modele zostały następnie zastosowane do testowego zbioru danych do oceny. Warto zauważyć, że model LightGBM osiągnął AUC na poziomie 0,87, co świadczy o lepszej wydajności predykcyjnej w szacowaniu prawdopodobieństwa ponownego rozdarcia po ARCR108.

Chociaż sklearn jest szeroko stosowany w dziedzinie predykcji medycznych, obecnie nie istnieje bezpośrednia literatura dotycząca jego zastosowania w przewidywaniu niepożądanych reakcji transfuzji. Ta luka nie wskazuje na wadę techniczną, lecz podkreśla unikalne wyzwania i niewykorzystany potencjał przewidywania niepożądanych reakcji transfuzji.

Tradycyjne metody oceny ryzyka działań niepożądanych po transfuzji krwi opierają się głównie na statycznych wskaźnikach klinicznych, retrospektywnej analizie historii medycznej oraz standaryzowanych kwestionariuszach przesiewowych, które mają wiele ograniczeń 109,110,111. Wydarzenia TAR są niezwykle rzadkie. Częstość wystąpień reakcji transfuzji w ogólnej populacji dorosłych wynosi około 2%, co skutkuje skrajnie niezrównoważoną kategorią112. Ta nierównowaga powoduje, że standardowe klasyfikatory priorytetowo stawiają na dokładność klasy większościowej nad klasą mniejszościową. Aby rozwiązać ten problem, moduł sklearn imbalanced-learn, taki jak SMOTE+ENN, oferuje dobrze ugruntowane rozwiązanie do ponownego balansowania zbioru danych. Wiele czynników wpływa na wystąpienie reakcji niepożądanych po transfuzjach krwi113. SK-learn umożliwia skuteczne wstępne przetwarzanie zebranych danych, ułatwiając dalszą analizę. Zastosowanie transformatorów kolumnowych do heterogenicznego wstępnego przetwarzania oraz unii cech dla multimodalnej fuzji cech umożliwia płynną integrację danych strukturalnych114,115. W podejmowaniu decyzji klinicznych przejrzystość modelu jest kluczowa. SHAP/LIME jest kompatybilny z modelami sklearn, w tym TreeExplainer dla losowych lasów, zapewniając zgodność z przepisami przy jednoczesnym zachowaniu wydajności predykcyjnej116 117.

Aby przełożyć omawiane możliwości sklearn na namacalną strategię przewidywania TAR, proponujemy praktyczny pipeline modelowania zgodnie z ustaloną mapą drogową uczenia maszynowego (Rysunek 3). Ramy te zostały zaprojektowane, aby sprostać specyficznym wyzwaniom TAR, takim jak heterogeniczność danych i skrajna nierównowaga klasowa.

Opracowanie solidnego modelu predykcyjnego dla reakcji niepożądanych po transfuzji wymaga kompleksowego pipeline'u analitycznego. Proces ten rozpoczyna się od integracji i wstępnego przetwarzania danych klinicznych multimodalnych, obejmujących dane demograficzne pacjenta, parametry życiowe, wartości laboratoryjne, szczegóły transfuzji oraz cechy dawcy. Heterogeniczne typy danych są efektywnie konsolidowane za pomocą ColumnTransformer sklearn w ramach potoku, aby stosować odpowiednie skalowanie i kodowanie, tworząc zunifikowany zbiór danych do analizy. Kluczowym kolejnym krokiem jest zajęcie się głęboką nierównowagą klasową inherentną rzadkim zdarzeniom TAR; etykiety docelowe, definiowane przez rygorystycznie orzekane wyniki, można zrównoważyć za pomocą technik takich jak SMOTE-ENN z kompatybilnej biblioteki niezrównoważonego uczenia, aby zapobiec błędom modelu. Po przygotowaniu danych wiele algorytmów jest trenowanych i ocenianych za pomocą spójnego API sklearn, a dostrajanie i kalibracja hiperparametrów odbywa się za pomocą GridSearchCV, aby zoptymalizować wydajność i zapewnić wiarygodne oszacowania prawdopodobieństwa. Aby budować zaufanie kliniczne i dostarczać mechanistycznych wglądów, prognozy modelu są interpretowane za pomocą narzędzi takich jak SHAP, które pozwalają ilościowo określać wkład konkretnych cech w ocenę ryzyka danej osoby. Uogólnialność modelu jest następnie rygorystycznie weryfikowana za pomocą solidnych technik, takich jak zagnieżdżona walidacja krzyżowa na danych z różnych kohort pacjentów. Wreszcie, dla potencjalnego tłumaczenia klinicznego, cały przeszkoleny proces może być serializowany i zintegrowany z elektronicznymi systemami dokumentacji medycznej, działając jako narzędzie wsparcia decyzji w czasie rzeczywistym, które dostarcza terapeutom w miejscu opieki interpretowalne oceny ryzyka.

W tym przeglądzie zaczynamy od wprowadzenia TAR, podsumowujemy istniejące modele TAR, przedstawiamy koncepcję uczenia maszynowego, podkreślamy zalety uczenia maszynowego oraz omawiamy jego zastosowania w przewidywaniu chorób. Dalej badamy potencjalne zastosowanie uczenia maszynowego w TAR, dostarczając wytycznych dla przyszłych badaczy w zakresie rozwoju modeli uczenia się TAR-SK. Ponadto rozwijamy potencjalną rolę SK-learn w ocenie ryzyka TAR, ale podkreślamy, że znaczące ograniczenia znacząco ograniczają jego zastosowanie kliniczne. Obecne modele TAR opierają się głównie na retrospektywnych, jednocentrowych zbiorach danych, które mogą nie uwzględniać regionalnych różnic w praktykach transfuzji, cech demograficznych, takich jak różnice wiekowe między populacjami pediatryczną a dorosłymi, czy genetyczną podatność w różnych populacjach 19,26,31,32. Ponadto modele te niewystarczająco integrują dane multiomiczne, w tym profile przeciwciał HLA dawcy oraz proteomikę zapalną biorców, które są kluczowe dla zrozumienia mechanizmów TAR pośredniczonych przez organizm immunologiczny, takich jak TRALI. To ograniczenie ogranicza ich zdolność do rozróżniania podtypów odpornościowychod nieimmunologicznych 25,40. Interpretowalność pozostaje kluczowym wyzwaniem: choć SK-learn oferuje narzędzia takie jak wartości SHAP, jeśli algorytmiczne prognozy, takie jak rzadkie markery genetyczne, nie mają biologicznej weryfikacji jako czynników ryzyka, klinicyści mogą być niechętni do przyjęcia tych modeli, co prowadzi do rozbieżności między wynikami uczenia maszynowego a intuicją kliniczną14,50. Praktyczna implementacja napotyka również wyzwania, takie jak potrzeba solidnej infrastruktury obliczeniowej oraz standaryzowanego wstępnego przetwarzania danych elektronicznej dokumentacji medycznej (EHR), które często są niedostępne w środowiskach o ograniczonych zasobach47,87.

Aby wypełnić te luki, przyszłe badania powinny priorytetowo traktować prospektywne zbieranie danych wieloośrodkowych, takie jak integracja zbiorów danych z międzynarodowych rejestrów TAR, w tym brytyjskiego systemu SHOT oraz chińskich kohort pediatrycznych, aby zmniejszyć błędy selekcyjne i zwiększyć uogólnialność modelu19,36. Włączenie danych multimodalnych, w tym sekwencjonowania krwi dawcy i markerów białek zapalnych przez RNA pojedynczych komórek, do pipeline'u SK-learn mogłoby poprawić klasyfikację podtypów TAR, podobnie jak poprawa wrażliwości o 12-24% zaobserwowana w badaniach przewidywania oporności na leki gruźlicy73. Współpraca z immunologami w celu weryfikacji mechanizmów, takich jak powiązanie cech ryzyka zidentyfikowanych przez SK-learn – specyficznych kombinacji przeciwciał HLA – z testami aktywacji in vitro – może zniwelować lukę między algorytmicznymi przewidywaniami a mechanizmami biologicznymi22,24. Rozwój przyjaznych użytkownikom narzędzi wspierających decyzje kliniczne, zdolnych do automatycznego wydobywania cech w czasie rzeczywistym z EHR, takich jak objętość transfuzji i poziomy BNP, oraz dostarczania interpretowalnych ocen ryzyka obok tradycyjnych kryteriów diagnostycznych, jest niezbędny do płynnej integracji z procesami klinicznymi 97,107.

W porównaniu z tradycyjnymi modelami TAR, takimi jak dopasowanie ABO/Rh i wyniki TRACK, SK-learn ma znaczące zalety. Na przykład algorytmy zespołowe, takie jak LightGBM, doskonale modelują nieliniowe interakcje między czynnikami ryzyka, takimi jak przeciwciała anty-HLA dawcy i poziomy IL-6 biorców, co skutkuje wzrostem czułości o 12-24% w badaniach przewidywania oporności na antybiotyki. Narzędzia do priorytetyzacji cech oparte na danych, takie jak znaczenie cech permutacji, mogą identyfikować nowe wskaźniki ryzyka, w tym czas przechowywania krwi i niewykryte powikłania, wykraczające poza zdefiniowaną wiedzę kliniczną45,93. Ponadto jego otwartoźródłowa architektura i umiarkowane wymagania obliczeniowe czynią go stosowalnym w środowiskach o ograniczonych zasobach, w przeciwieństwie do frameworków deep learning69,93.

Aby przełożyć ten potencjał na wpływ kliniczny, przyszłe prace muszą koncentrować się na kilku kluczowych obszarach. Po pierwsze, prospektywne, wielocentrowe zbieranie danych jest niezbędne do przezwyciężenia błędu selekcyjnego i poprawy uogólnialności modelu na różne populacje. Po drugie, integracja danych multimodalnych (np. profili przeciwciał dawcy, markerów zapalnych biorców) zapewni bardziej kompleksowy zestaw funkcji, umożliwiając modelom sklearn lepsze rozróżnianie podtypów TAR i uchwycenie złożonych interakcji ryzyka. Po trzecie, biologiczna walidacja cech ryzyka zidentyfikowanych przez algorytm (np. powiązanie konkretnych przeciwciał HLA z testami in vitro) jest kluczowa, aby zniwelować lukę między przewidywaniem statystycznym a mechanistycznym zrozumieniem, budując tym samym zaufanie kliniczne. Wreszcie, opracowanie przyjaznych, interpretowalnych narzędzi klinicznych, które dostarczają oceny ryzyka w czasie rzeczywistym, ułatwi płynną integrację tych modeli z rutynowym przepływem pracy, przesuwając paradygmat z zarządzania reakcją na prewencji.

Podsumowując, przegląd ten podkreśla transformacyjny potencjał SK-learn w ocenie ryzyka transfuzji krwi, odpowiadając na ograniczenia tradycyjnych metod opartych na regułach. Integrując złożone dane kliniczne, priorytetyzując cechy ryzyka oraz dostarczając interpretowalne prognozy, SK-learn staje się fundamentem precyzyjnej medycyny transfuzyjnej. Jednak realizacja tego potencjału wymaga współpracy interdyscyplinarnej, wielkoskalowej walidacji modeli SK-learn, integracji multiomiki i danych klinicznych w czasie rzeczywistym oraz opracowania narzędzi przyjaznych dla klinicystów, które łączą algorytmiczne wnioski z mechanizmami biologicznymi.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wnioski

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

figure-results-1
Rysunek 1: Ilustracja kategorii TAR oraz obecnego modelu oceny ryzyka w połączeniu z potencjalnymi strategiami SK-learn w ocenie ryzyka TAR. (A) TAR można podzielić na dwa typy: reakcje immunologiczne i nieimmunologiczne. (B) Obecne modele oceny ryzyka skierowane do TAR. (C) Hipoteza SK-learn w TAR według metodo...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

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

Autorzy deklarują, że nie mają ze sobą rywalizujących interesów.

Podziękowania

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

Prace te zostały wsparte przez Luzhou Science and Technology Bureau, nr 2024JYJ034, tytuł: Wpływ napromieniowania i czasu magazynowania na pęcherzyki zewnątrzkomórkowe w koncentratach płytek.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Bibliografia

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

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

Medycyna precyzyjnatransfuzja krwikliniczne modele predykcyjneinterpretowalno modelumedyczne przewidywanie ryzykaheterogeniczno danych

Powiązane artykuły