Diabetes Care：机器学习优化糖尿病和冠心病的亚型
2021-11-01 MedSci原创 MedSci原创
在T2DM和ASCVD患者中，聚类分析确定了四个临床上不同的群体。进一步的心血管表型是有必要的，以告知患者护理和优化临床试验设计。
机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。 专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能核心，是使计算机具有智能的根本途径。
2型糖尿病（T2DM）和动脉粥样硬化性心血管疾病（ASCVD）患者之间的表型异质性界定不清。为此，有学者使用聚类分析的机器学习算法来确定T2DM和ASCVD试验参与者的表型，结果发表在近期Diabetes Care杂志上。
使用了西格列汀心血管结果评估试验（TECOS）研究的数据（n = 14671），这是一项心血管结果安全试验，在T2DM和ASCVD患者中比较西格列汀和安慰剂（中位随访3.0年）。使用40个基线变量进行聚类分析，并通过Cox比例危害模型评估聚类与主要综合结果（心血管死亡、非致命性心肌梗死、非致命性中风或因不稳定心绞痛住院）之间的关联。随后利用艾塞那肽降低心血管事件研究（EXSCEL）试验复制了结果。
最终确定了四种不同的表型：群组I包括高发冠心病的高加索男性；群组II包括低BMI的亚洲患者；群组III包括患有非冠心病ASCVD疾病的女性；群组IV包括患有心衰和肾功能障碍的患者。
根据聚类方法分为4个群组患者及相应的心血管风险
在群组I至群组IV中，分别有11.6%、8.6%、10.3%和16.8%的患者发生主要结局。最高风险群与最低风险群（第四群与第二群）的心血管风险的差异具有统计学意义（HR=2.74[95%CI 2.29-3.29]）。在EXSCEL中也发现了类似的表型和结果。
综上，在T2DM和ASCVD患者中，聚类分析确定了四个临床上不同的群体。进一步的心血管表型是有必要的，以告知患者护理和优化临床试验设计。
参考文献：
Cluster Analysis of Cardiovascular Phenotypes in Patients With Type 2 Diabetes and Established Atherosclerotic Cardiovascular Disease: A Potential Approach to Precision Medicine. Diabetes Care 2021 Oct; dc202806. https://doi.org/10.2337/dc20-2806
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料，版权均属于梅斯医学所有。非经授权，任何媒体、网站或个人不得转载，授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章，或“梅斯号”自媒体发布的文章，仅系出于传递更多信息之目的，本站仅负责审核内容合规，其内容不代表本站立场，本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
在此留言
#DIA#
35
#BET#
32
#Diabetes#
36
#机器学习#
118
#机器#
41
学习了
88