人工智能驅(qū)動(dòng)的風(fēng)險(xiǎn)評(píng)分可識(shí)別中風(fēng)風(fēng)險(xiǎn)患者

小編發(fā)現(xiàn)不少朋友對(duì)于人工智能驅(qū)動(dòng)的風(fēng)險(xiǎn)評(píng)分可識(shí)別中風(fēng)風(fēng)險(xiǎn)患者這方面的信息都比較感興趣，小編就針對(duì)人工智能驅(qū)動(dòng)的風(fēng)險(xiǎn)評(píng)分可識(shí)別中風(fēng)風(fēng)險(xiǎn)患者整理了一些相關(guān)方面的信息 在這里分享給大家。

研究人員在開(kāi)發(fā)可預(yù)測(cè)中風(fēng)的基因組風(fēng)險(xiǎn)評(píng)分(GRS)方面取得的成功有限。新的研究結(jié)果發(fā)表在自然傳播，但是，建議學(xué)習(xí)機(jī)可能是答案。

該研究的作者開(kāi)發(fā)了一種機(jī)器學(xué)習(xí)算法，該算法能夠從單次抽血或血液樣本中檢測(cè)出缺血性中風(fēng)風(fēng)險(xiǎn)增加的患者。該算法在UK Biobank數(shù)據(jù)集中來(lái)自420,000位患者的數(shù)據(jù)上進(jìn)行了測(cè)試。

總體而言，該團(tuán)隊(duì)的GRS優(yōu)于以前的遺傳評(píng)分，并取得了與“其他中風(fēng)的其他危險(xiǎn)因素，例如吸煙狀態(tài)或體重指數(shù)”相當(dāng)?shù)男阅堋Ｗ髡邆冇^察到，大約每400個(gè)人中就有1個(gè)人患缺血性中風(fēng)的風(fēng)險(xiǎn)增加了三倍，這種GRS可以幫助識(shí)別那些患者，以便他們可以控制危險(xiǎn)因素并盡早接受必要的治療。

“人類基因組的測(cè)序揭示了許多見(jiàn)解，”澳大利亞貝克心臟和糖尿病研究所的邁克爾·因努耶(Michael Inouye)博士在一份準(zhǔn)備好的聲明中說(shuō)。“對(duì)于中風(fēng)等常見(jiàn)疾病，很明顯，遺傳學(xué)不是命運(yùn);但是，每個(gè)人對(duì)于任何特定疾病的確有其固有的風(fēng)險(xiǎn)?，F(xiàn)在的挑戰(zhàn)是我們?nèi)绾巫詈玫貙⑦@些風(fēng)險(xiǎn)信息納入臨床實(shí)踐，以使公眾生活得更健康，更長(zhǎng)壽。”

作者的確注意到他們的研究有一定的局限性。例如，GRS仍然需要與其他患者隊(duì)列進(jìn)行獨(dú)立驗(yàn)證，并且某些風(fēng)險(xiǎn)因素的影響可能會(huì)被低估。

總體而言，Inouye及其同事說(shuō)，他們的研究“為中風(fēng)及其多種亞型的大型全基因組關(guān)聯(lián)研究以及利用可用于中風(fēng)基因組風(fēng)險(xiǎn)預(yù)測(cè)的全部信息的分析奠定了基礎(chǔ)。”