[使用机器学习算法开发人类牛病的辅助早期预测模型]
1Department of Blood Transfusion, Beijing Ditan Hospital, Capital Medical University,Beijing 100015,China.
概括
机器学习使用临床数据准确地预测血病. 支持载体机器实现了95.9%的召回,使得早期诊断和治疗这种传染病.
科学领域:
- * 传染病流行病学
- * 计算生物学 * 计算生物学
- * 临床诊断 临床诊断 临床诊断
背景情况:
- 布鲁塞洛症的诊断可能具有挑战性,通常需要长时间的实验室测试.
- 早期检测血病对于有效治疗和预防并发症至关重要.
- 机器学习有可能提高传染病的诊断效率.
研究的目的:
- 开发和评估机器学习模型,用于早期布鲁塞洛症预测.
- 通过计算方法提高布鲁塞洛症的诊断效率.
- 为了确定主要的血液学参数,预测血病.
主要方法:
- 一个病例控制研究,涉及2381名乳病患者和健康对照.
- 从13,257个数据点收集临床信息和全血细胞计结果.
- 应用五种机器学习算法:随机森林,天真贝叶斯,决策树,逻辑回归和支持向量机 (SVM).
主要成果:
- SVM算法表现出优异的预测性能,曲线下的面积 (AUC) 为0.991.1.
- SVM模型实现了高精度 (95.6%),精度 (95.5%),特异性 (95.4%) 和回忆 (95.9%).
- 发现的关键预测因素包括血小板分布宽度 (PDW) 和红细胞分布宽度变化系数 (R-CV).
结论:
- 机器学习,特别是SVM,提供了一个非常准确的方法,用于早期布鲁塞洛斯预测.
- 开发的模型可以显著改善早期检测和治疗乳病患者.
- 像PDW和R-CV这样的血液学参数是评估血病风险的重要指标.
