使用机器学习预测血体积和总血红蛋白质量
B Moreillon1,2, B Krumm1, J J Saugy1
1Research and Expertise in anti-Doping Sciences (REDs), Institute of Sport Sciences, University of Lausanne, Lausanne, Switzerland.
Physiological reports
|October 13, 2023
概括
一个新的模型准确地预测总血红蛋白质量和血体积,使用完整的血液细胞计数. 该工具通过提供可靠的血红蛋白质量估计,有助于贫血诊断和反兴奋剂工作.
科学领域:
- 生理学 生理学 生理学
- 生物医学工程 生物医学工程
- 机器学习 机器学习
背景情况:
- 血红蛋白度 ([Hb]) 对于诊断贫血和检测血液兴奋剂至关重要.
- 血体积 (PV) 的变化显著影响[Hb]测量,限制了它们的直接解释.
- 准确评估总血红蛋白质量 (Hbmass) 和PV对于临床和体育环境至关重要.
研究的目的:
- 开发和验证一种用于估计Hb质量和PV的新型预测模型.
- 利用机器学习与全血细胞计 (CBC) 和人类计量数据进行准确的预测.
- 为健康个体提供可靠的评估Hb质量和PV的工具.
主要方法:
- 使用769个CBC结果和Hb质量和PV的CO-再呼吸测量,训练了一种机器学习模型.
- 该模型与CBC数据一起结合了人类学变量.
- 使用根平均平方误差 (RMSE),相关系数 (R2) 和布兰德-阿尔特曼分析来评估模型性能.
主要成果:
- 该模型在两性中都显示出Hb质量和PV的强大预测准确度.
- 对于Hb质量,RMSE值为33.2g (女性) 和35.6g (男性);对于PV,则为179mL (女性) 和244mL (男性).
- 观察到高相关性 (R2:0.760.90) 和低的布兰德-阿尔特曼偏差 (Hb质量:0.23,PV:4.15).
结论:
- 一个经过验证的模型可以从标准临床数据准确预测Hb质量和PV.
- 这种预测工具为贫血的流行病学研究提供了宝贵的见解.
- 该模型支持在反兴奋剂监测中对[Hb]的个性化监测.
