Multiple myeloma (MM) is a highly heterogeneous disease of malignant plasma cells. Diagnosis and monitoring of MM patients is based on bone marrow biopsies and detection of abnormal immunoglobulin in serum and/or urine. However, biopsies have a single-site bias; thus, new diagnostic tests and early detection strategies are needed. Matrix-Assisted Laser Desorption/Ionization Time-of Flight Mass Spectrometry (MALDI-TOF MS) is a powerful method that found its applications in clinical diagnostics. Artificial intelligence approaches, such as Artificial Neural Networks (ANNs), can handle non-linear data and provide prediction and classification of variables in multidimensional datasets. In this study, we used MALDI-TOF MS to acquire low mass profiles of peripheral blood plasma obtained from MM patients and healthy donors. Informative patterns in mass spectra served as inputs for ANN that specifically predicted MM samples with high sensitivity (100%), specificity (95%) and accuracy (98%). Thus, mass spectrometry coupled with ANN can provide a minimally invasive approach for MM diagnostics.

• MeSH
• analýza hlavních komponent MeSH
• datové soubory jako téma MeSH
• imunoglobuliny krev   MeSH
• kostní dřeň metabolismus   patologie   MeSH
• lidé středního věku MeSH
• lidé MeSH
• metabolické sítě a dráhy MeSH
• metabolom * MeSH
• mnohočetný myelom krev   diagnóza   patologie   MeSH
• neuronové sítě * MeSH
• senioři nad 80 let MeSH
• senioři MeSH
• spektrometrie hmotnostní - ionizace laserem za účasti matrice MeSH
• studie případů a kontrol MeSH
• umělá inteligence * statistika a číselné údaje   MeSH
• Check Tag
• lidé středního věku MeSH
• lidé MeSH
• mužské pohlaví MeSH
• senioři nad 80 let MeSH
• senioři MeSH
• ženské pohlaví MeSH
• Publikační typ
• časopisecké články MeSH
• práce podpořená grantem MeSH