Derleme makalesi

Transfüzyon Yan Reaksiyonlarının Hassas Risk Değerlendirmesi İçin Makine Öğrenimi Yaklaşımları: Scikit-Öğrenme Tabanlı Bir İnceleme

DOI:

10.3791/69658

⸱

20 Ocak 2026

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

* These authors contributed equally

Bu makalede

Özet

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

Bu inceleme, scikit-learn makine öğrenimi kütüphanesinin transfüzyon yan reaksiyonlarını tahmin etme potansiyelini incelemektedir. Risk değerlendirmesini iyileştirmek, geleneksel yaklaşımların sınırlamalarını ele almak ve hassas transfüzyon tıbbının geliştirilmesini desteklemek için veri odaklı bir çerçeve ortaya koyar.

Özet

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

Transfüzyon yan reaksiyonları (TAR'lar), kan nakli, kan ürünleri veya nakle ilişkili maddelerin uygulanmasından kaynaklanan kan nakli sırasında veya sonrasında ortaya çıkan istenmeyen etkileri kapsar. Bu reaksiyonlar, alerjik reaksiyonlar, hemoliz ve transfüzyon ile ilişkili akut akciğer hasarı (TRALI) gibi hafif ila şiddetli klinik belirtilere yol açabilir. Mevcut geleneksel yaklaşımlar — örneğin ABO/Rh kan grubu eşleştirme ve yoğun transfüzyon protokolleri — hasta sonuçlarını iyileştirebilir ancak karmaşık hasta spesifik faktörleri ele almakta başarısız olamaz. Bu nedenle, özel bir TAR risk modeli geliştirmek gereklidir. Makine öğrenimi (ML) algoritmaları, büyük ölçekli klinik ve laboratuvar veri setlerinden yararlanarak tanı ve prognostik modeller oluşturabilir, kişiselleştirilmiş ve hassas tıbbı ilerletebilir. Özellikle, scikit-learn (SK-learn) ML algoritması henüz doğrudan TAR risk değerlendirmesine uygulanmamıştır; Buna rağmen, benzer tıbbi risk tahmin modelleri oluşturmadaki etkinliği önemli bir takdir kazanmıştır. Bu derleme, TAR'ı tahmin etmek ve önlemek için makine öğrenimi tabanlı bir çerçeve sunar ve özellikle SK-öğrenmenin çeşitli klinik bağlamlarda rolüne vurgu yapar. Analizimiz, TAR'ın gelecekteki hassas teşhisi ve SK-learn algoritmalarının geliştirilmesi için zemin koyuyor. Önemli olarak, literatürü sentezimiz, sklearn'in bu görev için çok yönlü ve güçlü bir araç seti sunduğunu gösteriyor; ancak klinik uygulamaya başarılı bir şekilde aktarılması, çok merkezli veri heterojenliği ve sağlam model yorumlanabilirliği ihtiyacı gibi temel zorlukların üstesinden gelmesine bağlıdır.

Giriş

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

Kan transfüzyo, travma bakımı, cerrahi işlemler, obstetrik acil durumlar, onkolojik tedaviler ve kronik hematolojik bozuklukların yönetimi gibi çeşitli klinik bağlamlarda kullanılan hayat kurtarıcı birmüdahaledir 1,2. Önemli terapötik faydalara rağmen, nakil çeşitli yan etkilere yol açabilir; bunlar topluca Transfüzyon Yan Reaksiyonları (TARs) olarak adlandırılır3,4. TAR, hafif alerjik reaksiyonlardan ciddi komplikasyonlara kadar çeşitli belirtileri olan çok faktörlü bir durumu temsil eder. En sık görülen reaksiyonlar arasında ateşli hemolitik olmayan transfüzyon reaksiyonları (FNHTR) ve alerjik reaksiyonlar yer alır; rapor edilen insidanslar yaklaşık 100.000 birimde 26 ve 21, sırasıyla 5,6 olarak bildirilmiştir. ABO/Rh kan grubu eşleştirmesi ve standart transfüzyon prosedürleri ise TAR riskini önemli ölçüde azaltarak hasta güvenliğiniartırabilir 7,8,9. Bu olayları, özellikle karmaşık veya bağışıklık aracılı etiyolojilere sahip olanları, tamamen önleyemezler.

Kanıtlar, yapay zekanın (AI) bir alt alanı olan ML'nin karmaşık, çok modlu verilerin entegrasyonunu kolaylaştırdığını göstermektedir. Bu yetenek, klinik karar alma süreçlerini artırır, kişiselleştirilmiş tedaviyi kolaylaştırır ve tıbbi hizmetleri optimize eder; nihayetinde hasta sonuçlarınıiyileştirir 10,11. 2007 yılında tanıtılan SK-learn, açık kaynaklı bir Python makine öğrenimi kütüphanesidir. Temel işlevleri arasında ML algoritmalarıyla uygulanan regresyon analizi, sınıflandırma, kümeleme, boyut küçültme, model seçimi ve ön işleme yetenekleriyer alır 12. Tıbbi uygulamalarda, SK-learn öncelikle hastalık tahmini, tanı sınıflandırması ve klinik risk tabakalaşması içinkullanılır 13,14. Örneğin, bir çalışmada SK-learn kütüphanesi kullanılarak diyabetik nefropati ile diyabetik olmayan nefropatiyi etkili şekilde ayırt eden ve böylece klinik tanı ve tedaviye yardımcı olan öngörücü bir modeloluşturulmuştur 15. Sklearn algoritmasının avantajlarından yararlanarak, transfüzyon sonrası yan reaksiyon (TAR) risk tahmin modellerinin oluşturulmasındaki etkinliği önemli bir takdirkazanmıştır 16,17.

Bu inceleme, SK-learn makine öğrenimi algoritmalarındaki güncel gelişmeleri sentezler ve bunların çeşitli hastalık bağlamlarında translasyonel uygulamalarını tanımlar. Ayrıca, risk tabanlı TAR tanısı ve öngörücü modellemede SK-learn'in gelecekteki klinik uygulamaları için bir çerçeve oluşturur.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

İnceleme ve perspektif

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

TAR'ın Genel Bakış
TAR'ın patogenezi
TAR, çeşitli klinik belirtiler ve patofizyolojik mekanizmalar yelpazesini kapsar (Tablo I). Bu reaksiyonlar öncelikle bağışıklık aracılı ve bağışıklık aracısız alttipler 7,9,18,19 olarak kategorize edilir. Bağışıklık aracılı reaksiyonlar genellikle antijen-antikor etkileşimlerini içerir ve bu da hemoliz veya sistemik inflamatuar yanıtlara yol açar. Örnek bir örnek olarak, akut hemolitik transfüzyon reaksiyonlarını (AHTR) tetikleyebilen ABO uyumsuzluğudur. Bu durum ateş, yan ağrısı, hipertansiyon, yayılmış intravasküler pıhtılaşma (DIC) ve akut böbrekyetmezliği 7,9,20 şeklinde ortaya çıkar. Ayrıca, tip I aşırı duyarlılık reaksiyonları hafif ürtikariden hayatı tehdit eden anafilaksiye kadar değişen klinik transfüzyon reaksiyonlarını tetikleyebilir. Özellikle, bu reaksiyonlar sıklıkla trombosit ürünleriyle ilişkilidir; çünkü kalıntı donör plazma proteinleri, bunlar arasında subpolen alerjenmolekülleri 18,21,22,23 bulunur. TRALI, transfüzyon sonrası 6 saat içinde hipoksemi ve kardiyojenik olmayan akciğer ödemin akut başlangıcı ile klinik olarak tanımlanır. Patogenez, öncelikle insan lökosit antijenlerine (HLA) veya granülositlere özgü antijenlere karşı donör kaynaklıantikorları içerir 21,22,24. Özellikle, Kidd sistemi antijenleri gibi bazı kan grubu antijenleri, donörden türetilen anti-HLA antikorları tarafından hedef alındığında DHTR olarak da bilinen gecikmeli hemolitik transfüzyon reaksiyonlarını tetikleyebilir. Ayrıca, transfüzyona bağlı akut akciğer yaralanması türü olan TRALI, nötrofil aktivasyonmekanizmaları 6,22 aracılığıyla donör anti-HLA antikorları aracılığıyla aracılık edilen ayrı bir patolojik varlığı temsil eder. Bağışıklık aracılı olmayan transfüzyon reaksiyonları, bakteriyel kontaminasyon, hacim aşırı yükü, mekanik veya termal hemoliz ve transfüzyon kaynaklı dolaşım aşırı yüklenmesi (TACO) dahil olmak üzere çeşitli klinik varlıkları kapsar. Septik transfüzyon reaksiyonları, en yaygın olarak trombositlerde Staphylococcus spp., Staphylococcus aureus ve Escherichia coli ile kırmızı kan hücrelerinde Yersinia enterocolitica gibi bakterilerle kontamine edilmiş kan ürünlerinin infüzyonundan kaynaklanır. Klinik olarak yüksek ateş, sertlik, hipotansiyon ile ortaya çıkarlar ve hızla şoka geçebilirler. Özellikle, yüksek hassasiyetli patojen taramasının uygulanmasıyla, klasik transfüzyon yoluyla bulaşan enfeksiyonların (TTI'lar, örneğin HIV, HCV) riski büyük ölçüde azaltılmıştır. Sonuç olarak, özellikle oda sıcaklığında depolanan trombosit transfüzyonlardan kaynaklanan septik reaksiyonlar, TTI'lere göre daha sık bildirilen bulaşıcı bir transfüzyon komplikasyonu olmuştur. Virüsler, bakteriler ve parazitler gibi çeşitli patojenlerden kaynaklanabilecek transfüzyon bulaşabilir enfeksiyonlar, doğuştan gelen bağışıklık sistemini aktive ederek TAR'ı tetikleyebilir. Son sistematik incelemeler, immünojenik patojenlerin kapsamlı taramasının enfeksiyonla ilişkili TAR 25,26,27,28'in önlenmesinde birincil zorluk olmaya devam ettiğini vurgulamaktadır (Tablo 1).

TAR epidemiyolojisi
Gelişmiş ülkelerde ise TAR genel görülgesi nispeten düşük kalır. Mevcut gözetim verileri, alerjik reaksiyonların ve ateşli hemolitik olmayan transfüzyon reaksiyonlarının (FNHTR) en sık bildirilen advers etkiler arasında olduğunu ve alerjik reaksiyonların birçok raporlama sisteminde FNHTR'lerden daha yaygın olduğunu göstermektedir. Gecikmeli serolojik transfüzyon reaksiyonları (DSTR) daha az görülür 5,9,29. Buna rağmen, TAR, gelişmekte olan ülkelerde ve belirli popülasyonlarda önemli klinik zorluklar yaratmaya devam ediyor; bu yüksek risk profili, standartlaştırılmış tarama protokollerindeki farklılıklar, optimal olmayan kan ürünü işleme prosedürleri, heterojen transfüzyon uygulamaları ve popülasyona özgü genetik yatkınlıklar gibi çok faktörlü belirleyicilerdenkaynaklanmaktadır 26,27. Orak hücre hastalığı olan hastalar özellikle hemolitik transfüzyon reaksiyonlarına ve alloimmunizasyona karşı hassastır. Bu yüksek risk, kronik iltihaba, ağırlıklı olarak Kafkas donör ve Afrika kökenli SCD hasta popülasyonları arasında RBC antijenlerindeki fenotipik farklılıklara ve orak hemoglobinin kendisinden ziyade ömür boyu yüksek yaşam boyu transfüzyon maruziyetinebağlanmaktadır 20,30. Özellikle, Çin'in büyük tıp merkezlerinden alınan son gözetim verileri, pediatrik ve yenidoğan popülasyonlarında yetişkinlere göre alerjik TAR insidansının daha yüksek olduğunu ortaya koymuştur; bu da farklı transfüzyon eşikleri ve klinik uygulamalara bağlanmaktadır. Buna karşılık, Avrupa kohortları buyaş gruplarında (19,31,32) zıt epidemiyolojik bir desen göstermektedir. Örneğin, Guo, K. ve ark. 19, Çin'in büyük bir ulusal merkezindeki çocukların yetişkinlere göre daha sık alerjik reaksiyon yaşadığını, yenidoğan çocuklarda ise transfüzyon eşikleri ve uygulamalarının Avrupa genelinde önemli ölçüdedeğiştiğini bildirdi 33.

TAR risk değerlendirme modelleri geliştiren mevcut klinik çalışmalar, risk kategorilerine göre önleyici önlemler, sürekli gerçek zamanlı izleme sistemleri ve yüksek riskli popülasyonlar için kişiselleştirilmiş yönetim protokollerini içeren üç temel stratejik yaklaşım kullanır. Bu risk modelleri, transfüzyon alıcılarına evrensel uygulanabilirliğe sahip kapsamlı tarama araçlarını ve spesifik yan reaksiyon alt tiplerini belirlemek için tasarlanmış özel öngörücü algoritmaları içeren bimodal bir sınıflandırmasistemini gösterir (34,35). Birleşik Krallık Ciddi Taşıma Riskleri (SHOT) sistemi örneklediği genel risk değerlendirme araçları, transfüzyon alıcılarını katmanlamak için popülasyon düzeyinde veri setlerini kullanır. Bu sistemler, çoklu transfüzyon veya otoimmün hastalık geçmişi olan hastalar da dahil olmak üzere yüksek riskli kohortları belirlemede özel bir etkinlikgöstermektedir 36. Geleneksel Transfüzyon Risk ve Klinik Bilgi (TRACK) puan metodolojisi, önceden belirlenmiş kesme değerleriyle statik performans metrikleri kullanarak model performansını önceden belirlenmiş karar sınırları içinde niceldir. Bu yaklaşım, bir modelin kısıtlı operasyonel parametreler37 altında öngörü yeteneğini karakterize eder. Son gelişmeler, transfüzyon tahmini için yeni risk stratifikasyon araçları ortaya çıkarmıştır. Yeni geliştirilen SCORE sistemi, transfüzyon olasılığını tahmin etmek için altı klinik olarak doğrulanmış öngörücü faktörü içermektedir. Karşılaştırmalı analizler, bu basitleştirilmiş modelin, kalp cerrahisi işlemlerinde transfüzyon gereksinimlerini tahmin ederken geleneksel TRACK puanıyla karşılaştırılabilir öngörü doğruluğu ve kalibrasyon performansı elde ettiğinigöstermektedir 38.

Özel reaksiyon modellerine ek olarak, birçok in vivo model yakın zamandaincelenmiştir 39. TRALI, donör kaynaklı anti-insan lökosit/nötrofil antijen (anti-HLA/HNA) antikorları, interlökin-6 dahil yüksek alıcı inflamatuar biyobelirteçleri ve uygulanan transfüzyonhacmi 34,39,40 ile ilişkili olarak belirlenen klinik açıdan anlamlı bir komplikasyondur. Transfüzyon ile ilişkili dolaşım aşırı yüklenmesi (TACO) riski, genellikle yüksek B-tipi natriuretik peptid (BNP veya NT-proBNP) seviyeleri, kalp fonksiyon fonksiyonu öyküsü, yüksek transfüzyon oranı ve pozitif sıvı dengesi gibi parametreleri içeren klinik puanlama sistemleri kullanılarak değerlendirilir. Bağışıklık aracılı hemoliz riski, alıcının plazmasında klinik olarak anlamlı alloantikorları tespit eden dolaylı antiglobulin testi (dolaylı Coombs testi) ile antikor taraması yoluyla önleyici olarak değerlendirilir. Bu antikorların tanımlanması, transfüzyon için antijen-negatif kan birimlerinin seçilmesini sağlar ve böylece hemolize yol açacak antijen-antikor reaksiyonlarını önler. Bir hastanın transfüzyon öyküsü, önceki duyarlılık ve gecikmeli hemolitik reaksiyon riskini belirlemek için de kritiktir. Bu mekanik modeller, çok boyutlu klinik ve laboratuvar parametrelerini entegre ederek advers reaksiyon tahminininhassasiyetini artırıyor 34,39,41. Ayrıca, ağır kanayan travma veya cerrahi hastalarda hemorajik şokla ilişkili ölümleri azaltmak için RBC, plazma ve trombositoranını 42,43 standartlaştırarak büyük ölçekli transfüzyon protokolleri (MTP) oluşturulmuştur. Ancak bu uygulamalar transfüzyon kaynaklı morbiditeyi azaltmış ve transfüzyon güvenliğini tanımlayan immünolojik ve immünolojik olmayan değişkenlerin karmaşık etkileşimini tam olarak yakalayamıyorlar. Mevcut birçok puanlama sistemi ve protokolü, kontrollü koşullar veya daha dar hasta kohortları altında doğrulanmıştır; bu da onları gerçek dünyada, heterojen ortamlarda optimal olmayan bir durumhaline getirmiştir 16,44,45,46. Gelişen patojen profilleri, bağışçı popülasyonlarındaki değişiklikler ve modern tıbbi bakımın karmaşıklığı, statik yaklaşımlarıdaha da zorlaştırıyor 25,26,47. Bu ortam, klinik verileri, laboratuvar bulgularını ve multiomik gibi yeni alanları birleştirerek daha güçlü öngörücü modeller oluşturmak için makine öğreniminin uygulanmasına artan ilgiyi tetiklemiştir (Şekil 1)48,49,50.

Makine öğrenimi ile mevcut klinik risk değerlendirme modeli inşası
Makine öğrenimi (ML), temel bir yapay zeka paradigması olarak, gizli veri desenlerinin otomatik keşfi ve öngörücü modellerin tümevarımsal üretimi yoluyla uyarlanabilir karar alma süreçlerini güçlendirir; böylece açık prosedürel programlamayı aşar ve tıbbi tanı ve tahmin gibi karmaşık, gelişen alanlarda sürekli performans iyileştirmesini sağlar51. Makine öğreniminin evrimi üç farklı aşamadan geçti: (1) teorik temelioluşturan temel dönem 52; (2) destek vektör makineleri ve topluluk yöntemlerinde önemli ilerlemelerle işaretlenen algoritmikrönesans 53; ve (3) derin öğrenme devrimi; GPU hızlandırma ve büyük veri tarafından beslenen konvolüsyon ve tekrarlayan sinir ağlarının birden fazla alanda dönüştürücü paradigma değişimlerinibaşlattığı derin öğrenme devrimi. Tıbbi uygulamalarda, tıbbi görüntü teşhisi ve biyobelirteç tespiti55'te devrim yarattılar.

Mevcut makine öğrenimi sistemleri, öğrenme mekanizmalarına göre üç temel paradigmaya ayrılmıştır: (1) öngörücü modelleme için etiketlenmiş eğitim setlerine dayanan denetimli öğrenme; (2) denetimsiz öğrenme, annotasyonsuz verilerden gizli yapıları ortaya çıkarır; ve (3) otomatik özellik soyutlama için hiyerarşik sinir mimarilerinden yararlanan derin öğrenme. Bu paradigmalar birlikte, çağdaş yapay zeka uygulamalarının temel metodolojilerinioluşturur 56.

Son yıllarda, ML, tıbbi tanı belirteçlerinin geliştirilmesinde, prognoz değerlendirmesinde ve risk modeli inşasında yaygın uygulamakazanmıştır 57,58. Tıbbi veriler sıklıkla yüksek boyutluluk gösterir ve bu da geleneksel yöntemlerle etkili analiz için önemli zorluklaroluşturur 14,59. Makine öğrenimi teknikleri, bu karmaşık veri setlerinden kritik özellikleri çıkarmada mükemmeldir ve böylece kritik özelliklerin tanımlanmasını kolaylaştırır. ML'nin transfüzyon tıbbında uygulanması hızla ortaya çıkıyor. Örneğin, makine öğrenimi modelleri tıbbi görüntü sınıflandırması ve patolojik analiz gibi görevlerde üstün performans göstermiş ve erken tanı ve prognoz stratifikasyonunda önemli iyileşmelersağlamıştır 60,61. Genomik ve metabolom profiller gibi hastaya özgü verileri kullanarak ML, kişiselleştirilmiş tedavi yanıtlarını tahmin edebilir ve hassas tıp alanınıilerletmektedir 62. Kan transfüzyon ihtiyacını tahmin etmenin ötesinde, ML aynı zamanda kan ürün yönetimini optimize etmek için de uygulanmaktadır. Çalışmalar, trombosit kullanımını tahmin etmek ve ameliyat öncesi kan siparişi programlarını kişiselleştirmek gibi görevlerde ML'den yararlanarak envanter yönetimini iyileştirme ve israfı azaltma potansiyelini göstermiştir.

Ayrıca, ML, görüntüleme, genomik ve elektronik sağlık kayıtları (EHR) dahil olmak üzere çok kaynaklı verilerin entegrasyonunu sağlayarak kapsamlı öngörücü modelleroluşturmayı sağlar 63. Ayrıca, makine öğrenimi (ML) yoğun bakım hastaları için sepsis tahmini gibi gerçek zamanlı risk uyarılarını destekler ve tanı iş akışlarını otomatikleştirerek sağlık profesyonellerinin iş yükünüazaltır 64. ML, çoklu omik verileri entegre ederek, karmaşık desenleri madencilik yaparak, ilaç tasarımını hızlandırarak kanser prognoz modelleri ve hedef geliştirme hassasiyetini önemli ölçüde ilerletmiştir. Ayrıca, makine öğrenimi kanserin varlığını veya yokluğunu gösteren hem bilinen hem de bilinmeyen kalıpları tespit ederek tanı doğruluğunuartırır 65. Bir simülasyon çalışması, radyologların tahmin edilen negatif vakaları atlayabildiklerini, böylece iş yüklerini sadece mamogramların %80,7'sini okumak için azaltarak genel hassasiyet ve özgüllüğü koruyabildiklerini gösterdi. CNN modellerinin meme ultrason görüntülerinden fonksiyonel dokuları segmente etmek için kullanılabileceği ve böylece klinisyenlerin bu görüntülerin yorumlanması ve tanısında yardımcı olduğugösterilmiştir 66. Prognoz ve tedavi seçimi büyük ölçüde tümör özelliklerine dayanır; bunların çoğu görüntü tabanlı ML modelleri ile tahmin edilebilir. Bazı araştırmacılar, BT taramalarında manuel olarak seçilmiş ilgi alanlarından (ROI) akciğer adenokarsinomunda EGFR mutasyon durumunu tahmin etmek için 3D CNN'ler kullanmış, kanser genotiplendirmesi için invaziv olmayan bir alternatif sunmuş ve potansiyel tedavi stratejileri hakkında bilgivermiştir 67. Tek hücreli transkriptomik ve mekansal transkriptomik gibi yeni genomik teknolojiler, katı tümörlerin histopatolojik karakterizasyonunda devrim niteliğinde önemli umut vaat ediyor. Özellikle, tek hücreli transkriptomik, hücresel bileşimin ayrıntılı analizini sağlar ve ML modellerinin kanser tedavi yanıtlarını ve potansiyel ilaç direnç mekanizmalarını öngörmesinisağlar 68.

Derin öğrenme (DL), ML'nin bir alt alanı olarak, tahmin modelleme için beynin sinir mimarisinden ilham alan çok katmanlı sinir ağı algoritmalarını kullanır69. Nerolojik ağ mimarisini kullanan lojistik regresyon gibi makine öğrenimi yöntemlerinin aksine, DL modellerin artan veri hacmi ve boyutlulukla üstel ölçeklenmesini sağlar69. DL, tıbbi uygulamalarda yaygın olarak uygulanmıştır. Son yıllarda, kanser teşhisi, prognozu ve terapötik rejimlerin belirlenmesi için yeni derin öğrenme teknikleri yaygın olarak benimsenmiştir. Çok katmanlı perceptronlar (MLP'ler), tekrarlayan sinir ağları (RNN'ler) ve konvolüsyon sinir ağları (CNN'ler) dahil olmak üzere çeşitli sinir ağı mimarileri, gelişmiş metodolojiler için temel bileşenler olarak hizmet eder69. Çalışmalar, kanser riskini sadece görüntü seviyesinde değil, piksel seviyesinde de tahmin edebilen bir CNN modeli tanıttı ve kanser riskini en yüksek oranda ortaya çıkaran bölgeleri vurgulayan ısı haritaları sağladı70. Derin CNN'lerin histoloji temelli kanser derecelendirme sistemlerine entegrasyonu başarılı olmuştur; çalışmalar, bu modellerin prostat, meme, kolon ve lenfoma kanserlerini küçültmede insan patologlarıyla karşılaştırılabilir performans elde edebileceğini göstermektedir71,72,73,74,75. Araştırmacılar, kanserli dokuları CNN tabanlı bir jeneratörle segmente etmenin, CNN tabanlı bir sınıflandırıcıya prostat kanseri derecesini tahmin etmede yardımcı olabileceğini göstermiştir76. Bazı araştırmacular, gen ifade profillerini STRING protein-protein etkileşim (PPI) ağına haritalamak için hibrit grafik konvolüsyon sinir ağı (GCNN) modeli kullanarak, meme kanseri moleküler alt tiplerinin tahminini mümkün kılmıştır69,77. Makine öğrenimi, özellikle tanı modellemesinde kanser dışı hastalıklarda da önemli uygulanabilirlik göstermiştir. Örneğin, çalışmalar, COVID-19 hastaları arasında çeşitli zaman dilimlerinde ölüm ve kritik olayları tahmin etmek için makine öğrenimi modellerinin harici ve ileriye yönelik eğitimi ve doğrulaması yürütülmüştür. Bu modeller, yüksek riskli hastaları başarıyla tespit etti ve öngörücü sonuçlara katkıda bulunan temel ilişkileri açıkladı78. Geleneksel radyomik modeller ağırlıklı olarak tıbbi görüntülerden türetilmiş manuel olarak tasarlanmış özelliklere dayanır. Araştırmacılar, transfer öğrenme yoluyla elde edilen derin özelliklerin, glioblastoma multiforme (GBM) hastalarının genel hayatta kalma (OS) tahmin etmek için radyomik imzalar oluşturmak için kullanılıp kullanılamayacağını araştırdılar79. Son yıllarda, ML mikrobiyolojide önemli ilerlemeler göstermiştir80. Bu alandaki önemli bir uygulama, sağlık profesyonellerinin hastalarda enfeksiyon hastalıklarından sorumlu mikroorganizmaları hızlı ve doğru teşhis etmesini sağlamaktır; bu da uygun tedavi stratejilerinin belirlenmesi için kritik öneme sahiptir. ML modelleri, uygun giriş verisi sağlandığında kesin tanılar elde edebilir80. Önden eğitilmiş konvolüsyon sinir ağı (CNN) özelliği çıkarıcı olarak kullanılması ve hasta düzeyinde çapraz doğrulama ile birleşerek, sıtma enfekte olmuş hücreler ile enfekte olmayan hücreleri etkili bir şekilde ayırt edebildiği ve böylece hastalık tarama süreçlerini geliştirdiği gösterilmiştir81. Birleşik Krallık'tan 1.839 bakteriyel izolat kohortuna dayalı bir makine öğrenimi modeli, direnç profillerini sınıflandırmak için geliştirilmiştir. Mycobacterium tuberculosis (M. tuberculosis) ile sekiz antitüberküloz ilacı (isoniazid, rifampisin, ethambutol, pirazinamid, siprofloksasin, moksifloksasin, ofloksasin ve streptomisin) ile birlikte çoklu ilaç dirençli tüberküloz dahil olmak üzere kullanıldı. Önceki yöntemlere kıyasla, en iyi performans gösteren model izoniazid, rifampisin ve etambutol hassasiyetini %2-4 oranında artırdı ve %97 hassasiyet elde etti (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).

Örneğin, DL modelleri genellikle mamografik görüntüleri analiz ederek bir hastanın gelecekte kanser geliştirme olasılığını tahmin etmekiçin eğitilmiştir 82. Ayrıca, bazı araştırmacular bu doğrudan risk tahmin yönteminin avantajlarını vurgulamış ve Inception-ResNet-v2 konvolüsyon sinir ağı modeliyle oluşturulan meme kanseri risk puanının, klinik meme yoğunluğudeğerlendirmesinden elde edilen puandan daha doğru olduğunu göstermiştir. 83. Benzer şekilde, bazı araştırmacılar, hasta yaşı gibi klinik özelliklere dayanan Tyrer-Cuzick risk modelini geride bırakan, kadınlar arasında beş yıllık meme kanseri gelişim riskini tahmin etmede DL tabanlı bir mamografimodeli geliştirmiştir 84.

Ayrıca, makine öğrenimi transfüzyon tıbbında da uygulanmıştır. YZ'nin transfüzyon tıbbına uygulanmasına artan ilgi, Uluslararası Kan Nakli Derneği (ISBT) Klinik Transfüzyon Çalışma Grubu tarafından düzenlenen özel bir konferans gibi büyük mesleki forumlara dahil edilmesi ile vurgulanmaktadır; bu konferans, TM uygulaması, eğitimi ve araştırmasında yapay zekanın potansiyeliniinceliyor 85. Kan nakli (BT), yoğun bakımdaki cerrahi hastalar için tıbbi bakımın kritik bir bileşenidir. Bu çalışma, UMC veritabanında 9.118 cerrahi yoğun bakım hastasının verilerini analiz etti ve kan nakli gereksinimlerini tahmin etmek için makine öğrenimi kullandı. XGBoost performansı ve lojistik regresyon (LR) algoritmalarının karşılaştırılması, yoğun bakıma kabul edilmeden 6 saat öncesinden 1, 2, 3 ve 6 saat sonrasına kadar olan verilerle karşılaştırıldığında, araştırma transfüzyon ve nakl olmayan gruplar arasında hasta özelliklerinde önemli farklılıklar ortaya koydu. Bu bulgular, cerrahi yoğun bakım hastaları için kan nakli ihtiyaçlarını tahmin etmede makine öğreniminin uygulanabilirliğinidoğrulamaktadır 86. Allogenik kan nakilleri kalça eklemi ameliyatlarında sıkça gereklidir ancak artan morbidite riskleriyle ilişkilidir. Kan ürünü israfını en aza indirmek ve ameliyat öncesi karar alma süreçlerini optimize etmek için kan hakkı gereksinimlerinin doğru tahmini gereklidir. Son çalışmalar, hasta demografik verilerini, ameliyat öncesi laboratuvar sonuçlarını ve cerrahi bilgileri dahil ederek transfüzyon risklerini tahmin etmek için 14 makine öğrenimi algoritması oluşturmuştur. Model performansı ayırtıcılık, kalibrasyon ve karar eğrisi analiziyle değerlendirildi. Modelleri yorumlamak için SHapley ekleme açıklamaları (SHAP'lar) kullanıldı; sırt sınıflandırıcı en yüksek tahmin doğruluğunu göstererek 0,85 AUC (%95 GÜ: 0,81-0,88) ve Brier puanı 0,21 oldu. Bu çalışmanın makine öğrenimi modeli, kalça eklem ameliyatlarında perioperatif transfüzyon ihtiyaçları için yüksek öngörücü performans gösterdi ve mevcut klinikdeğişkenleri 87 kullandı.

Ayrıca, makine öğrenimi ilaç tasarımına başarıyla entegre edilmiş, zaman ve hesaplama maliyetleri gibi zorlukları ele alırken güvenilirliğiartırmıştır 88,89. Proteinlerin üç boyutlu ligand bağlama ortamından yararlanarak, makine öğrenimi hedef protein yapılarının belirlenmesini kolaylaştırır; bu, ilaç keşfindekritik bir adımdır90. Örneğin, yapay zeka destekli bir araç olan AlphaFold, doğrudan Protein Veri Bankası (PDB) verileriyle eğitilebilen ve amino asitdizilerinden protein 3B yapılarını tahmin edebiliyor 91. AlphaFold iki aşamalı bir süreç kullanır: birincisi, bir CNN proteinin amino asit dizisini mesafe ve burulma açısı matrislerine dönüştürür; ikincisi, gradyan optimizasyon teknikleri bu matrisleri proteinin 3Dyapısına dönüştürür 92.

Scikit-learn (sklearn), kullanım kolaylığı, kapsamlı dokümantasyonu ve güçlü topluluk desteğiyle geniş çapta övgü duyulan bir Python tabanlı makine öğrenimikütüphanesidir 93. Lojistik regresyon, destek vektör makineleri ve rastgele ormanlar gibi denetli yöntemlerin kapsamlı bir koleksiyonu ile kümeleme ve boyut küçültmesi gibi denetimsiz yöntemler93 gibi kapsamlı bir koleksiyon sunar. Ayrıca, veri ön işlemesini, model eğitimini, çapraz doğrulamayı ve hiperparametre ayarlamasını birleşikbir çerçeve 93 içinde kolaylaştıran Pipeline'lar da sunar. Model yorumlanabilirliği için permütasyon özelliklerinin önemi ve kısmi bağımlılık grafikleri dahil olmak üzere araçlar, rastgele orman ve gradyan artırıcı gibi gelişmiş topluluk yöntemleri, sağlık bağlamlarında sürekli olarak sağlam öngörücü performanssergiler 45,93.

Bu özellikler göz önüne alındığında, SK-learn tıbbi araştırmalarda hastalıkteşhisi 12,94, sağkalımsürelerini tahmin etme 95, büyük görüntüleme verisetlerinin 96 analizi ve transfüzyon kullanımı için risk tahmin modelleri oluşturma gibi görevlerde yaygın olarak kullanılmıştır. Bu bölüm, özel uygulama durumlarının ve teknik uygulamanın ayrıntılı bir incelemesini sunar ve hastalık tanısı ve risk değerlendirme modelleri oluşturmadaki SK-learn'in avantajlarını gösterir (Şekil 2). Özellikle uygulamalarının en kapsamlı ve olgun olduğu kanser alanına odaklanarak, başarılı uygulamaları analiz ediyor ve mevcut zorluklarıele alıyoruz 12,93,95,98. Ayrıca, bu içgörülerin TAR risk tahmin modellerinin geliştirilmesinde değerli referanslar ve ilham kaynakları olarak nasıl hizmet edebileceğini inceliyoruz.

SK-learn, geleneksel makine öğrenimi tekniklerini — destek vektör makineleri (SVM'ler), rastgele ormanlar ve lojistik regresyon dahil — çok katmanlı perceptron (MLP) sınıflandırıcı gibi derin öğrenme yaklaşımlarıyla entegre eden sağlam bir algoritmik çerçeve sunar; bu da onu çeşitli kanser veri setlerinin modellemesi için oldukça uygun kılar. Örneğin, adrenokortikal karsinomun teşhisi için yeni bir histolojik sistem geliştirilirken, araştırmacılar Python'daki sklearn kütüphanesini çok boyutlu bir matematiksel model oluşturmak için kullandılar. Bu model, tüm morfolojik varyantlarda geniş uygulanabilirlik gösteren %100 tanı doğruluğu eldeetti 99.

Ayrıca, SK-learn, GridSearchCV ve RandomizedSearchCV araçları otomatik hiperparametre optimizasyonu sağlar. Örneğin, lenf düğümü metastazı tahmin edilirken, bir XGBoost modelinin parametreleri çapraz doğrulama yoluyla ince ayarlanmış ve bu da 0.95212 AUC değeri elde edilmiştir. Örneğin, destek vektör makinesi (SVM) meme kanseri sınıflandırma görevlerinde üstün performans sergiler. Doğrusal olmayan çekirdek fonksiyonu, yüksek boyutlu görüntüleme verilerinin etkili işlenmesini sağlar. Ağız kanseri hastalarından alınan spektral verileri analiz eden bir çalışma, SVM'nin özyinelemeli özellik eliminasyonu (RFE) ile birleştiğinde %95 hassasiyet ve %96 özgüllük elde ettiğini, geleneksel Fisher lineer ayırtıcı analizini (FLD)100 önemli ölçüde aştığını ortaya koymuştur. Ayrıca, UCI meme kanseri veri seti üzerinde yapılan karşılaştırmalı analiz, SVM'nin hem K-ortalama kümelenmesi hem de yapay sinir ağlarının sınıflandırma doğruluğu ve genelleştirme yeteneğiaçısından daha iyi performans gösterdiğini gösterdi 101. SVM'nin yüksek boyutlu verileri işleme yeteneği, modellerin çok sayıda klinik ve laboratuvar parametrini entegre etmesiyle TAR tahmini için de aynı derecede önemlidir.

Rastgele orman yöntemi, özellik önemi analizinde üstün performans göstermektedir. Bazı araştırmacular, genomik ve klinik verileri entegre etmek ve meme kanseri prognozuyla ilgili temel özellikleri belirlemek için rastgele ormanlar kullanmıştır. Kümeleme sonuçları, klinik sonuçlar102 ile anlamlı şekilde korelasyonluydu. Bu yaklaşım, çok çeşitli aday özelliklerden en etkili risk faktörlerini, örneğin spesifik donör antikorları veya alıcı inflamatuar belirteçleri gibi en etkili risk faktörlerini belirlemek için doğrudan TAR modellemesine aktarılabilir.

XGBoost, temsil bir gradyan güçlendirme algoritması olarak, kanser evreleme tahmininde olağanüstü performans sergilemektedir. TCGA'dan alınan multiomik verilere dayanan bir çalışma, XGBoost'un DNA metilasyon özellikleriyle birleştiğinde, sınıflandırmamodeli 103'ün öngörücü performansını daha da artırabileceğini göstermiştir. Meme kanseri metastazı üzerine yapılan başka bir çalışmada, XGBoost, hiperparametrelerini Grid-Search CV ile optimize etti ve SHAP değer görselleştirmesiyle birleştirildi. SQSTM1 ve GDF9 gibi altı temel gen başarıyla tanımlandı. Modelin AUC'si 0.82'ye ulaşarak metastaz riskitahmini 104 için yeni biyobelirteçler sağladı. XGBoost gibi yüksek performanslı topluluk yöntemlerinin SHAP açıklaması ile birleşimi, klinisyistlere şeffaf ve uygulanabilir risk değerlendirmeleri sunmak için TAR modelleri için benimsenebilecek güçlü bir paradigmadır.

SK-learn, kanser verilerindeki yüksek boyutluluk, dengesizlik ve eksik değerleri etkili bir şekilde ele alan standartlaştırılmış veri ön işleme araç seti sunar. Örneğin, kolorektal kanser tahmininde, CEA ve hemoglobin gibi dört temel göstergeyi taramayan lojistik regresyon modeli, eğrinin altında (AUC) 0.849 alan olan invaziv olmayan bir tanı modeli oluşturuldu ve tek bir tümörbelirteci 105 ile tespit edilmeyi önemli ölçüde geride bıraktı. Dengesiz veri işleme açısından, dengesiz öğrenme kütüphanesinden SMOTE aşırı numuneleme tekniğini birleştirerek, XGBoost, azınlık sınıfının (kötü huylu örnekler) hassasiyetini meme kanseri sınıflandırmasında %8,36 artırmış ve F1 değeri %96,2'ye ulaşmıştır106.

SK-learn'in SHAP ve eli5 gibi araçlarla birleşmesi, kanser modelleri için şeffaf yorumlanabilirlik sağlar. Meme kanserinde sentinel lenf düğümü metastazı tahmininde, SHAP değerleri ile görselleştirilen XGBoost modeli, "şüpheli lenf düğümleri" ve "marjinal spikülasyon" gibi ultrason özelliklerinin metastaz riskine en büyük katkıyı göstermektedir ve bu da klinik tanı mantığıile oldukça tutarlıdır 12.

SK-learn, kanser dışı hastalıklarla ilgili araştırmalarda önemli avantajlar göstermiştir. Kanser olmayan hastalıklar sıklıkla elektronik sağlık kayıtları (EHR), görüntüleme, genomik, proteomik ve diğerleri dahil olmak üzere çok kaynaklı verilerin entegrasyonunu gerektirir. SK-learn, hasta EHR'lerini, genetik profillerini ve yaşam tarzı bilgilerini birleştirerek ilişkili hastalıkların riskini daha hassas bir şekilde tahmin edebilir. Örneğin, kardiyovasküler hastalık riskini tahmin etmek için EHR verilerini entegre etmek için SK-learn'den rastgele bir orman algoritması kullanıldı. Bu yaklaşım, kardiyovasküler risk tahmininin doğruluğunu önemli ölçüde artırmakla kalmadı, aynı zamanda önleyici müdahalelerden fayda sağlayabilecek hasta sayısını da artırdı ve başkaları için gereksiz tedavileri en azaindirdi107. Araştırmacılar, Python'un SK-learn makine öğrenimi kütüphanesini kullanarak beş farklı yapay zeka modeli geliştirmiş ve eğitmiştir—lojistik regresyon, rastgele orman, AdaBoost, CATBoost ve LightGBM—artroskopik rotator manşet onarımı (ARCR) sonrası ameliyat sonrası rotator manşet yırtılmasını tahmin etmek için. Eğitilen modeller daha sonra değerlendirme için bir test veri setine uygulandı. Özellikle, LightGBM modeli 0.87 AUC elde etti ve ARCR108'den sonra yeniden yırtılma olasılığını tahmin etme konusunda üstün tahmin performansını gösterdi.

Sklearn tıbbi tahmin alanında yaygın olarak kullanılsa da, olumsuz transfüzyon reaksiyonlarını tahmin etmede doğrudan bir literatür bulunmamaktadır. Bu boşluk teknik bir kusur anlamına gelmez, aksine, olumsuz transfüzyon reaksiyonlarını tahmin etmenin benzersiz zorluklarını ve henüz keşfedilmemiş potansiyelini vurgular.

Kan naklisinden kaynaklanan yan reaksiyon risklerinin değerlendirilmesi için geleneksel yöntemler, esas olarak statik klinik göstergelere, tıbbi geçmişe dönük analizlere ve birden fazla sınırlamaya sahip standart tarama anketlerine dayanır; bunlar da birçok sınırlamaya sahiptir 109,110,111. TAR etkinlikleri son derece nadirdir. Genel yetişkin popülasyonda transfüzyon reaksiyonlarının görülme oranı yaklaşık %2'dir ve bu da son derece dengesiz bir kategori112'ye yol açar. Bu dengesizlik, standart sınıflandırıcıların çoğunluk sınıfının doğruluğunu azınlık sınıfına göre önceliklendirmesine neden olur. Bu sorunu çözmek için, SMOTE+ENN gibi sklearn dengesiz öğrenme modülü, veri setini yeniden dengelemek için iyi kurulmuş bir çözüm sunar. Kan nakli sonrası yan reaksiyonların meydana gelmesine çok sayıda faktörkatkıda bulunmaktadır 113. SK-learn, toplanan verilerin etkili ön işlemesini sağlar ve sonraki analizleri kolaylaştırır. Heterojen ön işleme için sütun transformatörlerinin ve multimodal özellik birleşimi için özellik birleşiminin kullanımı, yapılandırılmışverilerin sorunsuz entegrasyonunu sağlar 114.115. Klinik karar alma sürecinde model şeffaflığı çok önemlidir. SHAP/LIME, rastgele ormanlar için TreeExplainer dahil olmak üzere sklearn modelleriyle uyumludur; bu da düzenleyici uyumluluğu sağlarken öngörücüperformansı 116.117 korur.

Sklearn'in tartışılan yeteneklerini TAR tahmini için somut bir stratejiye dönüştürmek için, yerleşik makine öğrenimi yol haritasını takip ederek pratik bir modelleme boru hattı öneriyoruz (Şekil 3). Bu çerçeve, veri heterojenliği ve aşırı sınıf dengesizliği gibi TAR'ın özel zorluklarını ele almak için tasarlanmıştır.

Transfüzyon advers reaksiyonları için sağlam bir öngörücü model geliştirilmesi, uçtan uca analitik bir ürün hattı gerektirir. Bu süreç, hasta demografisi, hayati bulguları, laboratuvar değerleri, transfüzyon detayları ve donör özelliklerini kapsayan multimodal klinik verilerin entegrasyonu ve ön işlenmesiyle başlar. Heterojen veri türleri, sklearn'in ColumnTransformer ile bir Boru hattı içinde verimli şekilde birleştirilir ve uygun ölçeklendirme ve kodlama uygulanır ve analiz için birleşik bir veri seti oluşturulur. Kritik bir sonraki adım, nadir TAR olaylarının doğasında bulunan derin sınıf dengesizliğini ele almaktır; hedef etiketler, titizlikle değerlendirilmiş sonuçlarla tanımlanır ve model yanlılığını önlemek için uyumlu dengesiz öğrenme kütüphanesinden SMOTE-ENN gibi tekniklerle yeniden dengelenebilir. Veri hazırlandıktan sonra, birden fazla algoritma sklearn'in tutarlı API'si kullanılarak eğitilir ve değerlendirilir; hiperparametre ayarlama ve kalibrasyon GridSearchCV aracılığıyla performansı optimize etmek ve güvenilir olasılık tahminleri sağlamak için yapılır. Klinik güveni artırmak ve mekanik içgörüler sağlamak için, modelin tahminleri, belirli özelliklerin bireyin risk puanına katkısını niceleyebilen SHAP gibi araçlarla yorumlanır. Modelin genellenebilirliği, farklı hasta kohortlarından alınan veriler üzerinde iç içe çapraz doğrulama gibi sağlam tekniklerle titizlikle doğrulanır. Son olarak, potansiyel klinik çeviri için, tüm eğitilmiş ürün hattı seri hale getirilip elektronik sağlık kayıt sistemlerine entegre edilebilir; bu da bakım noktasında klinisyenlere yorumlanabilir risk puanları sağlayan gerçek zamanlı bir karar destek aracı olarak işlev görür.

Bu incelemede, TAR'ı tanıtarak başlayacağız, mevcut TAR modellerini özetleyeceğiz, makine öğrenimi kavramını sunuyoruz, makine öğreniminin avantajlarını vurgulayacağız ve hastalık tahminindeki uygulamalarını tartışıyoruz. TAR'da makine öğreniminin potansiyel uygulamasını daha da inceleyerek, TAR-SK öğrenme modellerinin geliştirilmesinde gelecekteki araştırmacılar için rehberlik sağlıyoruz. Ayrıca, SK-learn'in TAR riskini değerlendirmedeki potansiyel rolünü detaylandırıyoruz ancak belirgin sınırlamaların klinik uygulamasını önemli ölçüde kısıtladığını vurguluyoruz. Mevcut TAR modelleri ağırlıklı olarak geriye dönük, tek merkezli veri setlerine dayanır; bu veri setleri, bölgesel değişimleri, pediatrik ve yetişkin popülasyonlar arasındaki yaşa bağlı farklılıklar gibi demografik özellikleri veya çeşitli popülasyonlar arasındaki genetik duyarlılığı yakalayamaz 19,26,31,32 . Ayrıca, bu modeller bağışçı HLA antikor profilleri ve alıcı inflamatuar proteomik verileri yetersiz şekilde entegre ediyor; bunlar TRALI gibi bağışıklık aracılı TAR mekanizmalarını anlamak için kritik öneme sahiptir. Bu sınırlama, bağışıklık ve immün olmayan alttipleri ayırt etme yeteneklerini kaçırır. 25,40. Yorumlanabilirlik hâlâ önemli bir zorluk olarak kalmaktadır: SK-learn SHAP değerleri gibi araçlar sağlarken, nadir genetik belirteçler gibi algoritmik tahminler risk faktörü olarak biyolojik doğrulamadan yoksunsa, klinisyenler bu modelleri benimsemekte tereddüt edebilir ve bu da makine öğrenimi sonuçları ile klinik sezgi arasında bir kopukluğa yol açabilir14,50. Pratik uygulama ayrıca, sağlam hesaplamalı altyapı ve elektronik sağlık kaydı (EHR) verilerinin standart ön işleme ihtiyacı gibi zorluklarla karşı karşıyadır; bunlar genellikle kaynak sınırlı ortamlardaerişemeyecek 47,87.

Bu eksiklikleri gidermek için, gelecekteki araştırmalar, uluslararası TAR kayıtlarından veri setlerinin, örneğin Birleşik Krallık SHOT sistemi ve Çin pediatrik kohortlarının entegrasyonu gibi, önceliklendirme önceliği vermelidir; böylece seçim yanlılığını azaltmak ve model genellelenebilirliğiniartırmak 19,36. Donör kanının tek hücreli RNA dizilimi ve inflamatuar protein belirteçleri dahil olmak üzere multimodal verilerin SK-learn boru hattına dahil edilmesi, TAR alt tip sınıflandırmasını iyileştirebilir; bu, tüberküloz ilaç direnci tahmin çalışmalarında gözlemlenen %12-24 hassasiyet artışına benzerşekilde 73. İmmünologlarla iş birliği yaparak mekanizmaları doğrulamak için SK-öğrenenle belirlenen risk özelliklerini — spesifik HLA antikor kombinasyonlarını — in vitro komplement aktivasyon testleriyle bağlamak, algoritmik tahminler ile biyolojik mekanizmalar arasındaki boşluğukapatabilir. EHR'lerden gerçek zamanlı özellikleri otomatik olarak çıkarabilen, örneğin transfüzyon hacmi ve BNP seviyeleri ve geleneksel tanı kriterleriyle birlikte yorumlanabilir risk puanları sunabilen, kullanıcı dostu klinik karar destek araçlarının geliştirilmesi, klinik iş akışlarınasorunsuz entegrasyon için gereklidir 97.107.

ABO/Rh eşleştirme ve TRACK puanları gibi geleneksel TAR modellerine kıyasla SK-learn önemli avantajlara sahiptir. Örneğin, LightGBM gibi topluluk algoritmaları, donör anti-HLA antikorları ile alıcı IL-6 seviyeleri gibi risk faktörleri arasındaki doğrusal olmayan etkileşimleri modellemede üstün başarılıdır ve bu da antibiyotik direnci tahmin çalışmalarında hassasiyette %12-24 artışa yol açar. Permütasyon özelliğinin önemi gibi veri odaklı özellik önceliklendirme araçları, önceden tanımlanmış klinik bilginin ötesinde kan depolama süresi ve tespit edilmemiş komplikasyonlar gibi yeni risk göstergelerinitespit edebilir 45,93. Ayrıca, açık kaynak mimarisi ve orta düzeyde hesaplama gereksinimleri, derin öğrenmeçerçeveleri 69,93'ün aksine, kaynak kısıtlı ortamlarda uygulanabilir hale getirir.

Bu potansiyeli klinik etkiye dönüştürmek için gelecekteki çalışmalar birkaç ana odaklanmalıdır. Birincisi, prospektifli, çok merkezli veri toplama, seçim yanlılığını aşmak ve çeşitli popülasyonlar arasında model genellenebilirliğini artırmak için gereklidir. İkinci olarak, çok modal verilerin (örneğin, donör antikor profilleri, alıcı inflamatuar belirteçler) entegre edilmesi, sklearn modellerinin TAR alt tiplerini daha iyi ayırt etmesini ve karmaşık risk etkileşimlerini yakalamasını mümkün kılacak daha kapsamlı bir özellik seti sağlayacaktır. Üçüncü olarak, algoritma tarafından belirlenen risk özelliklerinin biyolojik doğrulaması (örneğin, belirli HLA antikorlarının in vitro testlere bağlanması) istatistiksel tahmin ile mekanistik anlayış arasındaki boşluğu kapatmak ve böylece klinik güven oluşturmak için kritik öneme sahiptir. Son olarak, gerçek zamanlı risk puanları sağlayan kullanıcı dostu, yorumlanabilir klinik araçların geliştirilmesi, bu modellerin rutin iş akışına sorunsuz entegrasyonunu kolaylaştıracak ve paradigmayı reaksiyon yönetiminden önleyici önlemeye kaydıracak.

Sonuç olarak, bu inceleme SK-learn'in kan nakli risk değerlendirmesinde dönüştürücü potansiyelini vurgulamaktadır ve geleneksel kural temelli yöntemlerin sınırlamalarını ele almaktadır. Karmaşık klinik verileri entegre ederek, risk özelliklerini önceliklendirerek ve yorumlanabilir tahminler sunarak, SK-learn hassas transfüzyon tıbbının temel taşı olarak hizmet eder. Ancak bu potansiyeli gerçekleştirmek için disiplinlerarası iş birliği, SK-learn modellerinin büyük ölçekli çok merkezli doğrulaması, multiomik ve gerçek zamanlı klinik verilerin entegrasyonu ve algoritmik içgörülerin biyolojik mekanizmalarla bağlantısını sağlamak için klinisyen dostu araçların geliştirilmesi gerekmektedir.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Sonuçlar

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

figure-results-1
Şekil 1: TAR kategorilerinin ve mevcut risk değerlendirme modelinin TAR risk değerlendirmesinde SK-öğrenme potansiyel stratejileriyle birleşiminin tasviri. (A) TAR iki tipe ayrılabilir: bağışıklık aracılı reaksiyonlar ve bağışıklık aracısız reaksiyonlar. (B) TAR'ı hedefleyen mevcut risk değerlendirm...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Açıklamalar

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

Yazarlar, rekabet eden çıkarları olmadığını belirtirler.

Teşekkürler

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

Bu çalışma, Luzhou Bilim ve Teknoloji Bürosu, No. 2024JYJ034, başlık: Trombosit Konsantrelerinde Ekstrahücresel Veziküller üzerinde Radyasyon ve Depolama Zamanının Etkileri' tarafından desteklenmiştir.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Kaynaklar

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

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Yeniden basım ve izinler

Bu JoVE makalesinin metnini veya şekillerini yeniden kullanmak için izin iste

İzin iste

Etiketler

Hassas T pKan Transf zyonuKlinik ng r ModelleriModel Yorumlanabilirli iT bbi Risk ng r sVeri Heterojenli i

İlgili makaleler