Data-Driven Modeling of Pregnancy-Related Complications.
Data-Driven Modeling of Pregnancy-Related Complications.
复制标题
DOI：
10.1016/j.molmed.2021.01.007
复制
发表时间：
2021-08
影响因子：
13.6
通讯作者：
Prematurity Research Center at Stanford
中科院分区：
文献类型：
--
作者：
Espinosa C;Becker M;Marić I;Wong RJ;Shaw GM;Gaudilliere B;Aghaeepour N;Stevenson DK;Prematurity Research Center at Stanford
健康的妊娠依赖于复杂的相互关联的生物适应，包括胎盘形成、母体免疫反应和激素稳态。高通量技术的最新进展提供了获得多组学生物数据的途径，这些数据与临床和社会数据相结合，可以更深入地了解正常和异常怀孕。使用最先进的机器学习方法整合这些不同的数据集，可以预测母亲和子女的短期和长期健康轨迹，并开发预防或最大限度减少并发症的治疗方法。我们回顾了先进的机器学习方法，这些方法可以：提供对当前方法尚未揭示的怀孕的更深层次的生物学见解；澄清影响怀孕的病因和病理的异质性；并提出解决影响脆弱人群结局差异的最佳方法。
A healthy pregnancy depends on complex interrelated biological adaptations involving placentation, maternal immune responses, and hormonal homeostasis. Recent advances in high-throughput technologies have provided access to multiomics biological data that, combined with clinical and social data, can provide a deeper understanding of normal and abnormal pregnancies. Integration of these heterogeneous datasets using state-of-the-art machine-learning methods can enable prediction of short- and long-term health trajectories for a mother and offspring, and development of treatments to prevent or minimize complications. We review advanced machine-learning methods that could: provide deeper biological insights into a pregnancy not yet unveiled by current methodologies; clarify etiologies and heterogeneity of pathologies that affect a pregnancy; and suggest best approaches to address disparities in outcomes affecting vulnerable populations.
登录
查看更多内容
影响因子：
82.9
作者：
Cha J;Sun X;Dey SK
通讯作者：
Dey SK
影响因子：
9.8
作者：
Aghaeepour, Nima;Lehallier, Benoit;Angst, Martin S.
通讯作者：
Angst, Martin S.
影响因子：
9.8
作者：
Berger, Kimberly;Coker, Eric;Harley, Kim
通讯作者：
Harley, Kim
影响因子：
9
作者：
Bhattad, Gargi Jaju;Jeyarajah, Mariyan J.;Renaud, Stephen J.
通讯作者：
Renaud, Stephen J.
影响因子：
7.2
作者：
通讯作者：
--