
Transferência cruzada de classificadores transcriptômicos vasculares em sete coortes públicas
PreprintPneumologiaPré-publicação. Ainda não revisada por pares; não deve orientar conduta.
O que aconteceu
Uma forte discriminação dentro de um estudo transcriptômico vascular não pode ser transferida através de parâmetros clínicos, compartimentos de tecidos ou processamento de ensaios. Foram avaliados sete conjuntos de dados públicos do Gene Expression Omnibus contendo 294 observações depositadas, incluindo segmentos repetidos de lesão. Quatro classificadores convencionais e um controle prévio foram submetidos à validação aninhada em 48 amostras de aneurisma de aorta abdominal, seguido de avaliação externa sob três configurações de pré-processamento. A regressão logística L1 de rank-fonte atingiu uma área sob a curva característica de operação do receptor de 0,947; os valores externos foram 0,753 e 0,667 em duas coortes carotídeas e 1.000 em 11 amostras de placa de macrófagos. Este último valor caiu para 0,367 sob um oleoduto de genes comuns sintonizados separadamente. Em 126 doadores de placas com seguimento censurado, a concordância de Harrell foi de 0,565 (intervalo de 95% 0,444-0,678) e 0,524 após um marco de 30 dias. Os dados sanguíneos incompatíveis com o processamento serviram como controle de estresse; 43 segmentos de placa correlacionados foram analisados descritivamente. Um teste de permutação compatível suportado separação de fonte sem generalização teste. Esses resultados mostram que a discriminação interna e o sucesso externo isolado não estabelecem uma previsão de risco panvascular estável. O código de fornecimento de referência, as saídas por amostra e a proveniência para a verificação da sensibilidade dos gasodutos, o desfasamento dos parâmetros e a dependência da observação.
Tradução automática do resumo original, publicado em medRxiv sob licença CC BY. Os números são conferidos contra o original; siglas e termos técnicos podem variar.
O estudo original
Cross study transfer of vascular transcriptomic classifiers in seven public cohorts
Lingsen You, Yujun Guo, Xinyu Zhong, Zisu Peng, Wentong Wang, Li Shen, Junbo Ge