Модель на основе машинного обучения для прогнозирования тяжёлых кожных нежелательных реакций, индуцированных карбамазепином и аллопуринолом, у вьетнамцев

Введение: Низкая положительная прогностическая ценность HLA-B*15:02 и HLA-B*58:01 для стратификации риска тяжёлых кожных нежелательных реакций, индуцированных карбамазепином (CBZ) и аллопуринолом (ALLO), указывает на необходимость более совершенной модели для профилактики таких случаев.

Цель: Комплексно изучить роль геномных факторов в развитии тяжёлых кожных нежелательных реакций, индуцированных CBZ и ALLO, с использованием машинного обучения.

Методы: Проведено генотипирование 249 пациентов с тяжёлыми кожными нежелательными реакциями и контрольной группы без поражения с помощью полноэкзомного секвенирования (WES), включая 75 случаев и 73 контрольных участника для ALLO, а также 48 случаев и 53 контрольных участника для CBZ. Затем были применены 8 моделей машинного обучения для прогнозирования риска.

Результаты: Для прогнозирования тяжёлых кожных нежелательных реакций, индуцированных ALLO, модели Random Forest и Extra Tree показали выдающиеся результаты среди 8 моделей прогнозирования, достигнув средней точности 99,67% в 10 независимых тестах. Для тяжёлых кожных нежелательных реакций, индуцированных CBZ, лучше всего работала модель Linear SVC со средней площадью под ROC-кривой 86% на тестовой выборке в 10 независимых тестах.

Выводы: Эти результаты важны для понимания лежащих в основе механизмов тяжёлых кожных нежелательных реакций и для разработки точной модели, которая позволит выявлять пациентов с высоким риском тяжёлых кожных нежелательных реакций, индуцированных CBZ и ALLO.

Клиническое значение: Пациентов, которым требуется препарат с высоким риском и которые также имеют высокий риск тяжёлых кожных нежелательных реакций вследствие наследования HLA-B*15:02 и/или HLA-B*58:01, можно дополнительно оценивать с помощью нашей модели, что обеспечивает более точное прогнозирование риска развития тяжёлых кожных нежелательных реакций.