使用可解释机器学习来预测异常病变膜性病的预后
Yanqin Liu1, Yuanyue Lu1, Wangxing Li1
1Big data Center for Nephropathy, The Fifth Clinical Medical College of Shanxi Medical University, Shanxi Provincial People's Hospital, Taiyuan, China.
Renal failure
|September 19, 2023
概括
机器学习模型使用电子健康记录预测异形膜性病 (IMN) 的预后. 轻GBM模型准确地识别了IMN患者不良事件的关键风险因素.
科学领域:
- 腎臟病學 (nephrology) 是一種醫學.
- 医疗信息学 医疗信息学
- 机器学习 机器学习
背景情况:
- 已建立的异形膜性病 (IMN) 的预后模型缺乏全面的数据整合.
- 传统方法没有充分利用临床和病理病人的数据.
- 电子医疗记录 (EMR) 系统为改善预后建模提供了丰富的数据源.
研究的目的:
- 为IMN预后开发基于机器学习 (ML) 的风险预测模型.
- 从EMR中获取全面的临床和病理数据.
- 提高IMN患者管理的准确性和个性化.
主要方法:
- 利用418名IMN患者的数据,通过脏活检诊断出IMN.
- 从EMR中提取了59个医疗特征.
- 开发并比较了五个ML算法,使用AUC,回忆,准确性和F1分数来评估性能.
- 采用沙普利增量解释 (SHAP) 来解释模型的解释性.
主要成果:
- 轻GBM模型表现出卓越的性能,具有最高的AUC (0.892),精度 (0.909),回忆 (0.741) 和F1得分 (0.905).
- 由SHAP确定的关键预测因子包括抗酸酶A2受体 (anti-PLA2R),免疫组织化学免疫球蛋白G4 (IHC IgG4),D-二次体 (D-DIMER),甘油三 (TG),血清白蛋白 (ALB) 等.
- 高抗PLA2R和低IHCIgG4水平与IMN患者不良事件风险增加相关.
结论:
- 通过使用临床和病理学数据,成功建立了基于ML的IMN预后风险预测模型.
- 该LightGBM模型显示,作为一个IMN患者个性化管理的工具,它是有前途的.
- 准确识别风险因素可以指导临床决策并改善患者的治疗结果.
