基于并发病的子宫内膜异位症诊断:一种机器学习方法

科学领域:

• 生殖医学 生殖医学
• 医疗信息学 医疗信息学
• 计算生物学 计算生物学

背景情况:

• 子宫内膜异位症的特征是子宫外的子宫内膜状组织,仍然难以诊断和治疗.
• 它与其他疾病的关联是一个常见的临床观察,表明复杂的潜在机制.
• 目前对子宫内膜异位症的诊断方法通常涉及侵入性手术,并可能导致治疗延迟.

研究的目的:

• 开发和评估机器学习模型,以改善子宫内膜异位症的诊断.
• 通过使用大量数据集,确定预测子宫内膜异位症的关键临床特征.
• 评估人工智能在支持子宫内膜异位症临床决策方面的可行性.

主要方法:

• 利用了627,566例的大数据集,包括子宫内膜异位症患者和对照组.
• 开发了一个具有算法的机器学习平台:物流回归,决策树,随机森林,AdaBoost和XGBoost.
• 使用沙普利增量解释 (SHAP) 值来确定特征的重要性.

主要成果:

• XGBoost模型表现出卓越的性能,曲线下的面积 (AUC) 为0.725.
• 在测试套件上达到68.6%的灵敏度和62.9%的特异性.
• 最重要的预测特征包括年龄,不孕不育,子宫肌瘤,焦虑和过敏性鼻炎.

结论:

• 机器学习显示出作为子宫内膜异位症诊断的辅助工具的前景,提供了宝贵的见解.
• 预测模型实现了高负预测值 (99.58%),可用于排除该条件.
• 需要进一步研究更多的信息功能,以提高模型性能和临床实用性.