ترجمه فارسی مقاله چارچوب یادگیری ماشینی برای پیش‌بینی وجود خون‌سازی کلونال پرخطر با استفاده از داده‌های شمارش کامل خون: یک مطالعه مبتنی بر جمعیت از 431531 شرکت‌کننده در Biobank بریتانیا

چکیده

Background Clonal haematopoiesis (CH), the disproportionate expansion of a haematopoietic stem cell and its progeny, driven by somatic DNA mutations, is a common age-related phenomenon that engenders an increased risk of developing myeloid neoplasms (MN). At present, CH is identified by targeted sequencing of peripheral blood DNA, which is impractical to apply at population scale. The complete blood count (CBC) is an inexpensive, widely used clinical test. Here, we explore whether machine learning (ML) approaches applied to CBC data could predict individuals likely to harbour CH and prioritise them for DNA sequencing.

چکیده به فارسی (ترجمه ماشینی)

پس زمینه خونریزی کلونال (CH) ، گسترش نامتناسب یک سلول بنیادی خونریزی و فرزندان آن ، که توسط جهش های DNA سوماتیک هدایت می شود ، یک پدیده مشترک مربوط به سن است که باعث افزایش خطر ابتلا به نئوپلاسم میلوئیدی (MN) می شود.در حال حاضر ، CH با توالی هدفمند DNA خون محیطی مشخص می شود ، که در مقیاس جمعیت غیر عملی است.شمارش کامل خون (CBC) یک آزمایش بالینی ارزان قیمت و به طور گسترده است.در اینجا ، ما بررسی می کنیم که آیا رویکردهای یادگیری ماشین (ML) اعمال شده برای داده های CBC می تواند افراد را که احتمالاً CH را در اختیار دارند پیش بینی کرده و آنها را برای تعیین توالی DNA اولویت بندی کنند.