Jen-Ping Lee, Yu-Lin Chao, Ping-Hsun Wu, Yun-Shiuan Chuang, Chan Hsu, Pei-Yu Wu, Szu-Chia Chen, Wei-Chung Tsai, Yi-Wen Chiu, Shang-Jyh Hwang, Yi- Ting Lin, Mei-Chuan Kuo
Objetivo: A função cardíaca se destaca como um preditor robusto e aparentemente independente de mortalidade cardiovascular e por todas as causas entre indivíduos submetidos à hemodiálise (HD). A necessidade crucial de avaliação eficiente da função cardíaca nos levou a explorar o potencial de usar amostragem de sangue acessível para avaliação. Neste estudo, nós cautelosamente aproveitamos a proteômica cardiovascular em conjunto com técnicas de Machine Learning (ML) para explorar a viabilidade de prever a função cardíaca em pacientes em HD.
Métodos: Uma coorte de 328 pacientes de HD foi reunida de duas unidades localizadas no sul de Taiwan. Utilizando ensaios de extensão de proximidade, uma medição abrangente de 184 proteínas cardiovasculares foi realizada. Empregando aprendizado de máquina, otimizamos um modelo para prever disfunção cardíaca com base na fração de ejeção. O desempenho do modelo foi avaliado usando a Área sob a Curva (AUC), enquanto o método Significance of Hierarchical Averaging of Shapley Values (SHAP) foi empregado para identificar variáveis cruciais para previsão.
Resultados: Empregando um conjunto de dados abrangendo 184 biomarcadores proteômicos e 34 variáveis clínicas padrão dentro de nossa estrutura analítica, foi discernido que a eficácia preditiva dos "biomarcadores proteômicos" superou a das "variáveis clínicas e laboratoriais de rotina" usando vários algoritmos de aprendizado de máquina, incluindo Classification And Regression Tree (CART), Least Absolute Shrinkage And Selection Operator (LASSO), modelos random forest, ranger e extreme gradient boosting (XgBoost). Por meio da aplicação do XgBoost para seleção de características, a importância do N-terminal pro-B type Natriuretic Peptide (NT-proBNP) surgiu como o principal contribuidor, suplementado pelos papéis preditivos da Angiotensin Converting Enzyme 2 (ACE-2) e Chitotriosidase-1 (CHIT-1) na determinação da disfunção cardíaca. Esse alinhamento foi reafirmado pela elucidação baseada em SHAP do modelo XgBoost.
Conclusão: As características proteômicas superaram as variáveis clínicas na predição de disfunção cardíaca usando aprendizado de máquina. Análises posteriores com XgBoost e SHAP destacaram NT-proBNP e CHIT-1 como biomarcadores cruciais, lançando luz sobre a avaliação da disfunção cardíaca em pacientes de HD por meio de biomarcadores sanguíneos.