通过使用血液测试和治疗数据,开发淋巴 edem 的预测模型

科学领域:

• 医学诊断 医学诊断 医学诊断
• 医疗保健中的机器学习
• 淋巴系统研究 淋巴系统研究

背景情况:

• 淋巴是由于淋巴系统功能障碍而导致液体积累的特征.
• 目前的诊断方法通常很昂贵,可能会错过早期的疾病.
• 目前用于淋巴预测的机器学习模型依赖于患者报告的症状,这些症状在早期可能是不准确的或不存在的.

研究的目的:

• 开发和验证新的机器学习模型,用于早期检测淋巴.
• 调查完整血清 (CBC),血清和治疗数据对淋巴瘤预测的有用性.
• 为临床医生创建一个实用的工具,以帮助快速查淋巴.

主要方法:

• 从2137名患者 (356名淋巴) 收集了数据,包括CBC,血清测试和治疗信息.
• 使用多种机器学习算法 (随机森林,梯度提升,决策树,后勤回归,人工神经网络).
• 模型对80%的数据进行了训练,并对剩余的20%进行了验证.

主要成果:

• 随机森林模型显示出强大的预测性能,精度为87.0%±0.7%,灵敏度为84.3%±0.6%,特异性为89.1%±1.5%.
• 这些模型的精度为97.4%±0.7%,F1得分为90.4%±0.4%,AUC为0.931±0.007.
• 开发了一个网络应用程序,用于医疗从业者实时查淋巴.

结论:

• 使用CBC,血清和治疗数据的机器学习模型为早期淋巴结胀检测提供了一个有希望的替代方案.
• 开发的网络应用程序为快速和高效的淋巴结胀查提供了宝贵的工具.
• 这项研究为未来的研究奠定了基础,用于预测淋巴结胀的各个阶段.