Un artigo de CAMELIA presenta EPheClass, unha ferramenta baseada en machine learning para o diagnóstico de enfermidades polimicrobianas
As enfermidades hashtag#Polymicrobial supoñen un importante desafío para o diagnóstico precoz debido á complexidade e heteroxeneidade do microbioma humano.
Este traballo levado a cabo por Lara María Vázquez González, Carlos Peña Reyes, Alba Regueira Iglesias, Carlos Balsa Castro, Inmaculada Tomás Carmona e María José Carreira Nouche presenta EPheClass, un pipeline curado para a clasificación de fenotipos a partir de secuencias do xen 16S rRNA e técnicas de machine learning baseadas en métodos ensemble.
EPheClass aplicouse a tres escenarios clínicos distintos —enfermidade periodontal, enfermidade inflamatoria intestinal e exposición a antibióticos— logrando un alto rendemento predictivo cun número moi reducido de características: só 13 ASVs para o diagnóstico de enfermidade periodontal a partir de mostras de saliva, acadando un AUC de 0,973.
A ferramenta mellora a reproducibilidade, reduce o custo computacional e aumenta a interpretabilidade dos modelos, o que a converte nunha solución especialmente adecuada para a súa aplicación en contornos clínicos.
O traballo completo está dispoñible neste enlace.
Este traballo levado a cabo por Lara María Vázquez González, Carlos Peña Reyes, Alba Regueira Iglesias, Carlos Balsa Castro, Inmaculada Tomás Carmona e María José Carreira Nouche presenta EPheClass, un pipeline curado para a clasificación de fenotipos a partir de secuencias do xen 16S rRNA e técnicas de machine learning baseadas en métodos ensemble.
EPheClass aplicouse a tres escenarios clínicos distintos —enfermidade periodontal, enfermidade inflamatoria intestinal e exposición a antibióticos— logrando un alto rendemento predictivo cun número moi reducido de características: só 13 ASVs para o diagnóstico de enfermidade periodontal a partir de mostras de saliva, acadando un AUC de 0,973.
A ferramenta mellora a reproducibilidade, reduce o custo computacional e aumenta a interpretabilidade dos modelos, o que a converte nunha solución especialmente adecuada para a súa aplicación en contornos clínicos.
O traballo completo está dispoñible neste enlace.