Editorial Ilmu Komputer & AI
Open AccessOA2024
Prediktor Machine Learning Metabolomik untuk Diagnosis dan Prognosis Kanker Lambung
Studi metabolomik tertarget terhadap 702 sampel plasma mengidentifikasi panel diagnostik 10 metabolit untuk kanker lambung dengan sensitivitas 0,905, mengungguli penanda protein konvensional, serta model prognostik yang menstratifikasi pasien ke dalam kelompok risiko.
Yangzi Chen; Bo-Hong Wang; Yizi Zhao; Xin-Xin Shao; Ming-Shuo Wang; Fu-Hai Ma; Lai-Shou Yang; Meng Nie; P. Jin; Ke Yao; Hai-Bin Song; S. Lou; Hang Wang; Tian-Shu Yang; Yan-Tao Tian; Peng Han; Ze-Ping Huยท Nature Communicationsยท 2024ยท DOI 10.1038/s41467-024-46043-y
Masalah inti
Kanker lambung (GC) masih menjadi penyebab utama kematian terkait kanker di seluruh dunia. Deteksi dini sangat penting untuk meningkatkan kelangsungan hidup, namun metode saat ini seperti endoskopi bersifat invasif dan memakan waktu. Biomarker non-invasif untuk diagnosis dini dan stratifikasi risiko pasien sangat dibutuhkan. Studi ini bertujuan menjelaskan reprogramming metabolik pada GC dan mengembangkan model machine learning untuk diagnosis dan prognosis menggunakan metabolomik plasma.
Inovasi
Para penulis melakukan analisis metabolomik tertarget terhadap 702 sampel plasma dari peserta multi-pusat. Algoritma machine learning diterapkan untuk mengidentifikasi tanda tangan metabolit yang terkait dengan GC. Model diagnostik dan prognostik dikembangkan dan divalidasi pada set uji eksternal. Model diagnostik dibandingkan dengan penanda protein kanker konvensional, dan model prognostik dibandingkan dengan model tradisional menggunakan parameter klinis.
Pendahuluan
Kanker lambung (GC) masih menjadi penyebab utama kematian terkait kanker di seluruh dunia. Deteksi dini sangat penting untuk meningkatkan kelangsungan hidup, namun metode saat ini seperti endoskopi bersifat invasif dan memakan waktu. Biomarker non-invasif untuk diagnosis dini dan stratifikasi risiko pasien sangat dibutuhkan. Studi ini bertujuan menjelaskan reprogramming metabolik pada GC dan mengembangkan model machine learning untuk diagnosis dan prognosis menggunakan metabolomik plasma.
Mengapa penting
Temuan ini mengungkap lanskap metabolik GC dan mengidentifikasi dua panel biomarker yang berbeda: satu untuk deteksi dini dan satu untuk prediksi prognosis. Sensitivitas tinggi panel diagnostik menunjukkan bahwa panel ini dapat menjadi alat non-invasif yang berharga untuk deteksi dini GC, berpotensi mengurangi kebutuhan endoskopi invasif. Kemampuan model prognostik untuk menstratifikasi pasien ke dalam kelompok risiko menunjukkan kegunaannya dalam memandu strategi pengobatan yang dipersonalisasi. Secara kolektif, model-model ini memfasilitasi kedokteran presisi pada GC. Studi ini menegaskan kekuatan metabolomik yang dikombinasikan dengan machine learning dalam onkologi.
Siapa yang sebaiknya membaca
Pembaca Research Digest dan praktisi rumpun ini.
Membuka konten memberโฆ