机器学习方法用于预测系统性红斑狼在阿曼的队列

科学领域:

• 医疗信息学医学信息学
• 机器学习在医疗保健中的应用
• 类风湿病学 类风湿病学

背景情况:

• 系统性红斑狼 (SLE) 诊断可能具有挑战性,特别是在早期阶段.
• 准确及时诊断对于有效的患者管理和改善结果至关重要.
• 奥曼患者代表了研究类风湿病的特定人口群.

研究的目的:

• 开发和验证机器学习 (ML) 框架,用于预测阿曼患者的SLE.
• 确定主要的临床和人口统计特征可预测SLE.
• 为临床决策支持提供可解释的AI (XAI) 见解.

主要方法:

• 从2006年到2019年,利用了219名阿曼患者 (138名SLE患者,81名其他类风湿病患者) 的电子健康记录.
• 采用递归特征选择和CatBoost分类算法用于SLE预测.
• 应用SHAP解释器用于模型解释性,并与类风湿病学家验证发现.

主要成果:

• CatBoost模型实现了高预测性能,AUC为0.95和92%的灵敏度.
• SHAP分析确定了脱发症,脏疾病,急性皮肤性狼,血液溶解性贫血和患者年龄作为重要预测因素.
• 可解释的框架为单个SLE预测提供了验证的推理.

结论:

• 在阿曼患者中成功设计和验证了一种有效的,可解释的ML框架来预测SLE.
• 这种工具可以帮助临床医生在SLE早期检测,促进及时干预.
• 该框架有可能通过SLE的早期治疗来改善患者的治疗结果.