A heterogeneidade significativa nas respostas ao tratamento entre pacientes com leucemia mieloide aguda (LMA) destaca a necessidade crítica de previsões precisas da resposta a medicamentos. Desenvolvemos classificadores k-Top Scoring Pairs (kTSP), métodos de ensemble que agregam a expressão relativa de pares de genes. Comparamos sua precisão com a de métodos de aprendizado de máquina de última geração, máquinas de vetores de suporte com funções de base linear e radial, florestas aleatórias e classificadores de regressão de rede elástica para a previsão da resposta a medicamentos de pacientes com LMA. Nossos resultados demonstram que o kTSP supera particularmente outros métodos quando o número de pacientes sensíveis e resistentes está desequilibrado, um desafio comum em estudos clínicos. Nossa abordagem é intrinsecamente robusta a efeitos de lote e única para classificação de pacientes únicos devido à sua metodologia baseada em ranking.
Bahar Tercan (Mon,) estudou esta questão.