预测青素过敏:美国多中心回顾性研究

科学领域:

• 临床信息学 临床信息学
• 过敏和免疫学 过敏和免疫学
• 医疗保健中的机器学习

背景情况:

• 之前的研究利用非美国的数据来利用逻辑回归和机器学习 (ML) 的反应史来预测青素过敏.
• 用于预测阳性青素过敏测试的ML模型的临床实用性需要与多样化的,真实世界的美国数据进行验证.

研究的目的:

• 开发和评估ML模型,以使用多站点的美国患者数据预测阳性青素过敏皮肤测试.
• 通过可解释的人工智能方法识别影响青素过敏测试结果的关键风险驱动因素.

主要方法:

• 对来自美国4家医院的4777名患者进行了回顾性分析,创建了丰富和非丰富的培训/测试数据集.
• 梯度增强的ML模型是使用曲线下的面积 (AUC) 开发和评估的.
• 采用沙普利增量解释 (SHAP) 框架来解释模型预测并确定重大风险因素.

主要成果:

• 梯度增强模型实现了0.67的AUC,在完整数据的情况下改善到0.87.
• 在关键变量如反应发作 (71%),症状 (13%) 和治疗 (31%) 中观察到显著的缺失.
• 阳性青素过敏测试的顶级预测因素包括最近的反应,需要医疗照顾的反应,女性性别和疹/尿疹.

结论:

• 使用美国回顾性数据预测阳性青素过敏测试的ML模型没有达到临床采用性能值.
• 鉴定到的最具预测性的因素是反应后的时间,寻求医疗照顾,女性性别和疹/疹,突出了针对性评估的潜在领域.