기성 폐쇄성 폐질환 (COPD) 와 폐막 (pneumonia) 와 폐막 (pneumonia) 와 폐막 (pneumonia) 와 폐막 (pneumonia) 의 분류 분석에 기초하여,

국제 의학 연구에서 새로운 발견이 나왔다. 관련 성과들은 질병예방 코프에 중요한 참고 가치를 가지고 있다. 강직 척추염 (AS) 및 폐질환 (PD) 의 공동 증후군 기능 저하와 질병 부담을 증가시키는 위험 계층 및 이러한 공동 증후군의 위험 요소를 식별하는 데 부족합니다.

이 연구는 면역 관련 세포와 면역 유도 표지판을 기반으로 한 ML 모델을 구축하여 강직 척추염과 폐질환의 공동 증후군 위험 요소를 식별합니다. 결정 트리, 무작 숲, XGBoost, 지원 벡터 (SVM 및) 를 포함한 네 가지 기계 학습 알고리즘을 개발하고 평가했습니다. 이 알고리즘은 AS와 AS+PD를 구분하는 데 사용되었다.

폐 덩어리 (PN) 와 만성 폐쇄성 폐질환 (COPD) 의 분자 분석은 설명되지 않은 데이터를 사용하여 감수성 분석을 위해 사용되었다. LASSO 지수는 나이, 중성 입자세포 (IgG, ESR, CRP, NLR, PNR, PIV) 를 결정적인 예측 변수 (AS+PD) 로 인식한다. AS+PN 및 AS+COPD 폐 합병증 AS 환자의 경우, 특정 면역 관련 세포와 면역 중개 표시가 (특히 백세포, IgG, NLR, 및 PI) 뚜렷하게 나타났습니다.

4개의 ML 모델에서, SVM는 전체적으로 가장 좋은 성능을 보였으며, XGBoost은PN 및 COPD 하위 그룹에서 매우 높은 성능을 보였습니다. 이러한 발견은 현재 폐와 증상 상태를 식별하는 데 도움이되는 면역-염증 표시와 ML 알고리즘을 통합하는 것을 지원합니다. 참고로, 이 내용은 국제적으로 공개된 연구결과에 근거하여 건강보험심사평가원의 자료로 구성되어 있으며, 진료적 권고 사항이 아닌 것으로 알려졌다.