开发并内部验证的机器学习模型用于预测儿科免疫血栓塞缩症的慢性性
Jingyao Ma1, Chang Cui2, Yongqiang Tang3
1Hematology Department, Beijing Children's Hospital, Capital Medical University, National Center for Children's Health, Beijing, China.
Journal of thrombosis and haemostasis : JTH
|December 16, 2023
概括
机器学习模型可以预测儿童的慢性免疫血栓塞缩症 (ITP). 通过使用临床和免疫学因素,XGBoost模型准确地识别了可能患有长期ITP的患者.
科学领域:
- 儿科血液学 儿科血液学
- 免疫学 免疫学 免疫学
- 计算生物学 计算生物学
背景情况:
- 在儿童中,原发性免疫性血栓缩 (ITP) 通常是自我限制的.
- 然而,20-30%的儿科ITP病例进展为持续一年以上的慢性疾病.
- 预测慢性是个性化治疗策略的关键.
研究的目的:
- 开发和验证机器学习 (ML) 模型,用于预测儿科ITP的慢性性.
- 确定慢性ITP的主要人口和免疫学预测因素.
主要方法:
- 开发了四种ML模型 (逻辑回归,随机森林,XGBoost,SVM).
- 模型使用了16个变量,包括14个免疫学因素和2个人口因素.
- 使用准确度,精度,回忆,F1分数和AUROC来评估性能.
主要成果:
- 这项研究包括662名儿科ITP患者,26.5%患有慢性疾病.
- 所有ML模型都表现出强的性能,AUROC值在0.81-0.84.84之间.
- XGBoost模型显示了最高的AUROC,并确定了年龄,T辅助细胞子集和T调控细胞比率作为重要的预测因素.
结论:
- 为儿科ITP慢性发展开发了一种精确的基于ML的预测模型.
- 该XGBoost模型提供使用初始临床参数的高预测准确性和可解释性.
- 这种工具可以帮助早期识别和个性化管理慢性儿科ITP.
