AI Summary & Key Takeaways
AI InsightThese findings suggest that deep learning models could contribute to clarifying the relationships between genetic mutations and Familial Mediterranean Fever clinical manifestations; furthermore, they demonstrate a potential to improve the understanding of genotype–phenotype correlations by predicting symptoms and risks, thereby helping to enhance the clinical utility of personalized Familial Mediterranean Fever management.
📌 3 Key Takeaways
Abstract
Familial Mediterranean Fever is a hereditary autoinflammatory disorder characterized by recurrent episodes of peritonitis, pleuritis, arthritis, fever, and abdominal pain, with genetic mutations playing a critical role in disease manifestation as well as symptom type and severity. This study aimed to resolve the genotype–phenotype uncertainty in Familial Mediterranean Fever by integrating genetic mutations, demographic characteristics, and clinical data through deep learning methods, thereby enhancing the predictive understanding of symptom development and disease-related risks. A total of 1452 individuals diagnosed with Familial Mediterranean Fever at the Department of Medical Genetics, Bolu Abant İzzet Baysal University Training and Research Hospital between 2016 and 2019 were included. Genetic testing was performed via Real-Time Polymerase Chain Reaction, and clinical data were analyzed using deep learning approaches. Models applied using convolutional neural network, Residual Blocks, and Multi-Head Attention showed strong potential to predict symptom occurrence with high accuracy; specifically, they achieved the highest accuracy and receiver operating characteristic area under the curve for skin rash/redness (accuracy: 90%, Area Under the Curve: 0.873) and joint swelling (accuracy: 88.6%, Area Under the Curve: 0.871). Prediction for chest pain was also strong (Area Under the Curve 0.827), while abdominal pain, joint pain, and fever demonstrated moderate predictive performance (Area Under the Curve 0.719–0.751). Synthetic Minority Over-sampling Technique enhanced prediction for rare symptoms in imbalanced datasets. These findings suggest that deep learning models could contribute to clarifying the relationships between genetic mutations and Familial Mediterranean Fever clinical manifestations; furthermore, they demonstrate a potential to improve the understanding of genotype–phenotype correlations by predicting symptoms and risks, thereby helping to enhance the clinical utility of personalized Familial Mediterranean Fever management.
Özet
Ailevi Akdeniz Ateşi, peritonit, plevrit, artrit, ateş ve karın ağrısı ile karakterize, tekrarlayan ataklarla seyreden kalıtsal bir otoinflamatuvar hastalıktır ve genetik mutasyonlar hastalığın ortaya çıkışında ve semptomların türü ile şiddetinde kritik rol oynar. Bu çalışma; genetik mutasyon, demografik özellik ve klinik verileri derin öğrenme yöntemleriyle birleştirerek Ailevi Akdeniz Ateşi’ndeki genotip-fenotip belirsizliğini çözmeyi, böylece semptom gelişimini ve hastalığa ilişkin riskleri daha güçlü şekilde öngörmeyi amaçlamıştır. Araştırma, 2016–2019 yılları arasında Bolu Abant İzzet Baysal Üniversitesi Eğitim ve Araştırma Hastanesi Tıbbi Genetik Anabilim Dalı’na başvuran ve Ailevi Akdeniz Ateşi tanısı alan 1452 bireyi kapsamaktadır. Genetik testler gerçek zamanlı polimeraz zincir reaksiyonu yöntemi ile gerçekleştirilmiş, elde edilen klinik veriler ise derin öğrenme algoritmaları kullanılarak analiz edilmiştir. Analizler, genetik mutasyonlar (ör., M694V, M680I G>C, V726A), demografik özellikler ve Ailevi Akdeniz Ateşi semptomları arasında anlamlı ilişkilere işaret etmektedir. Evrişimli Sinir Ağları, Artık Bloklar ve Çok Başlı Dikkat mekanizması kullanılarak geliştirilen modeller semptomları yüksek doğrulukla tahmin etmede güçlü bir potansiyele sahip olmakla beraber; cilt döküntüsü/kızarıklığı ve eklem şişliği sırasıyla %90 ve %88.6 doğruluk ile en yüksek Alıcı İşletim Karakteristiği Eğrisi Altındaki Alan değerlerini (0.873; 0.871) göstermiştir. Göğüs ağrısı öngörüsü güçlü bulunurken (Eğri Altında Kalan Alan 0.827), karın ağrısı, eklem ağrısı ve ateş orta düzeyde tahmin başarısı sergilemiştir (Eğri Altında Kalan Alan 0.719–0.751). Sentetik Azınlık Örnekleme Tekniği yöntemi, dengesiz verilerde nadir semptomların öngörüsünü artırarak derin öğrenmenin Ailevi Akdeniz Ateşi semptom tahmindeki etkinliğini desteklemiştir. Bulgular, genetik mutasyonlar ile Ailevi Akdeniz Ateşi’nin klinik semptomları arasındaki ilişkilerin açıklanmasında derin öğrenme modellerinin katkı sağlayabileceğine işaret etmekte; semptom ve riskleri öngörerek genotip-fenotip ilişkisine dair anlayışı geliştirebileceğini göstermekte ve kişiselleştirilmiş Ailevi Akdeniz Ateşi yönetimini destekleyerek klinik yararlılığın artırılmasına yardımcı olmaktadır.