機械学習ネットワークを用いた重症および中等症血友病Aの未治療児および最小限の治療児におけるインヒビター発現の予測。

背景：血友病A（HA）患者におけるインヒビター発現の予測は依然として困難である。

目的：個々の類似性ネットワークに基づく臨床変数とバイオマーカーのネットワークを用いて、HAにおけるインヒビター発現予測モデルを構築する。

方法：HEMFILコホート研究の参加者である重症／中等症HAの未治療児および最小治療児を、インヒビターなし（INH-）またはインヒビター発現時（INH+）の曝露日数（ED）が75日に達するまで追跡調査した。臨床データと生物学的サンプルは、第VIII因子補充開始前（T0）に収集された。予測モデル（HemfilNET）は、ネットワークの頑健性を考慮し、T0におけるINH-とINH+のネットワークと潜在的なグローバルトポロジーの違いを比較するために構築された。検証には、"leave-one-out "交差検証法を採用した。機械学習モデルの評価指標として、精度、確度、再現性、F1スコアが用いられた。

結果：95人のHA患児（CHA）を対象とし、そのうち31人（33%）がインヒビターを発症した。37の変数を用いたアルゴリズムにより、INH+とINH-のT0におけるネットワークの明確なパターンが同定された。モデルの精度はCHA INH+で74.2%、INH-で98.4%であった。阻害剤開発に対して高リスクのF8変異を有するCHAに焦点を絞って解析したところ、CHA INH+の同定精度は82.1％に上昇した。

結論：われわれの機械学習アルゴリズムは、CHAにおけるインヒビター発現の予測において90.5％の総合的な精度を示したが、高リスクのF8遺伝子型を有するCHAに限定すると、さらに精度が向上した。しかしながら、我々のモデルは他のコホートでの検証を必要としている。しかし、いくつかの変数のデータが欠落していたことが、より正確な予測を妨げていた。