Mašīnmācīšanās modeļu izmantošana TMAO līmeņa prognozēšanai

Abstract

Ievads. Trimetilamīna N-oksīds (TMAO) ir molekula, kas rodas no holīna, betaīna un karnitīna zarnu mikrobu vielmaiņas procesā. TMAO līmeni plazmā nosaka vairāki faktori, tostarp uzturs, zarnu mikrobiota, zāļu lietošana un aknu flavīna monooksigenāzes aktivitāte. Nesen veiktajos klīniskajos pētījumos ar cilvēkiem tika konstatēta pozitīva korelācija starp paaugstinātu TMAO līmeni plazmā un paaugstinātu nopietnu nevēlamu kardiovaskulāru notikumu risku. TMAO līmeņa prognozēšanas iespēja spētu nākotnē uzlabot to pacientu identificēšanu, kam TMAO līmenis ir augsts. Mērķis. Šī pētījuma mērķis bija izveidot mašīnmācīšanās modeli, lai prognozētu iespējamo TMAO līmeni, izmantojot datus par mainīgajiem lielumiem, kas var ietekmēt TMAO līmeni. Metodes. Tika veikta retrospektīva 92 personu datu analīze no datubāzes ar zināmu TMAO līmeni (0,0645 - 62,8865 µmol/l). Pacienti tika iedalīti kvartilēs, pamatojoties uz TMAO līmeni (µmolL) (1 = [0,06 - 1,57]; 2 = [1,58 - 2,09]; 3 = [2,10 - 2,99]; 4 = [ > 3 ]). Neatkarīgi no TMAO līmeņa pacienti tika nejauši sadalīti divās neatkārtojamās Mācību (n = 52) un Testa (n = 40) grupās, kuras tika izmantotas, lai izveidotu divslāņu, uz Python balstītu mašīnmācīšanās modeli ar pašpārbaudes jutīguma, specifiskuma un precizitātes iespejām. Rezultāti. Starp pārbaudītajiem modeļiem tika identificēts 48 faktoru modelis, kas vislabāk prognozēja TMAO kategorijas ar jutīgumu 0,66, specifiskumu 0,72, pozitīvo prognozējošo vērtību 0,67, negatīvo prognozējošo vērtību 0,77. Modeļa precizitāte bija 0,70. 48 faktoru modelis ietvēra tādus mainīgos lielumus kā vecums, dzimums, ķermeņa masas indekss, diabēts, kardiovaskulārie notikumi, koronārā revaskularizācija, uztura faktori (zivis / gaļa / tauku veids), bioķīmiskie faktori (zema/augsta blīvuma lipoproteīnu holesterīns, glikoze), TMAO prekursoru līmenis (karnitīns, γ-butirobetaīns, holīns) un nieru funkcija. Secinājums. Testētais uz Python balstītais mašīnmācīšanās modelis spēja prognozēt TMAO līmeņa kategorijas ar 70% precizitāti. Šī pieeja būtu jāpārbauda un jāprecizē lielākos paraugos un jāsalīdzina ar tradicionālajām metodēm.

Background. Trimethylamine N-oxide (TMAO) is a molecule generated from choline, betaine, and carnitine via gut microbial metabolism. The plasma level of TMAO is determined by several factors including diet, gut microbial flora, drug administration and liver flavin monooxygenase activity. In humans, recent clinical studies showed a positive correlation between elevated plasma levels of TMAO and an increased risk for major adverse cardiovascular events. The possibility to predict TMAO levels in patients may improve the identification of patients with high TMAO levels in the future. Aim. The aim of the current study was to build machine learning models to predict possible TMAO levels, using data on variables that may have an impact on the level of TMAO. Methods. We performed a retrospective analysis of data on 92 subjects from a database with known TMAO levels (0.0645 - 62.8865 µmol/L). Patients were categorised in quartiles based on the level of TMAO (µmolL) (1 = [0.06 – 1.57]; 2 = [1.58 – 2.09]; 3 = [2.10 – 2.99]; 4 = [ > 3 ]). Irrespective of TMAO levels, patients were randomly separated into two non-repetitive Learn (n=52) and Test (n=40) groups that were used to build a double-layer, Python based machine learning model with self-check sensitivity, specificity and accuracy interface. Results. Among tested models a 48-factor model was identified with the best prediction of TMAO categories with sensitivity 0.66, specificity 0.72, positive predictive value 0.67, negative predictive value 0.77. The accuracy of the model was 0.70. The 48-factor model included variables such as age, gender, body mass index, diabetes, cardiovascular events, coronary revascularization, dietary factors (fish / meat / type of fats), biochemical factors (low-/high-density lipoprotein cholesterol, glucose), level of TMAO precursors (carnitine, γ-butyrobetaine, choline) and renal function. Conclusion. The tested Python-based machine learning model was able to predict TMAO level categories with 70% accuracy. This approach should be tested and fine-tuned in larger samples and compared to conventional methods.