系统性红斑狼:机器学习如何帮助区分感染和爆发
Iciar Usategui1, Yoel Arroyo2, Ana María Torres3,4
1Department of Internal Medicine, Hospital Clínico Universitario, 47005 Valladolid, Spain.
Bioengineering (Basel, Switzerland)
|January 22, 2024
概括
机器学习有助于在感染期间诊断系统性红斑狼 (SLE) 爆发. 随机森林模型显示了改进的准确性,为SLE患者提供了可行的自动诊断支持系统.
科学领域:
- 免疫学 免疫学 免疫学
- 计算生物学 计算生物学
- 医疗信息学 医疗信息学
背景情况:
- 系统性红斑狼 (SLE) 是一种复杂的自身免疫性疾病,具有多样化的临床表现.
- 早期检测严重的SLE活动,特别是在感染期间,仍然是一个重要的临床挑战.
- 准确及时诊断对于有效的患者管理和改善结果至关重要.
研究的目的:
- 研究机器学习 (ML) 算法的有效性,以在感染的背景下诊断SLE爆发.
- 评估随机森林 (RF) 算法的性能,与用于SLE爆发检测的其他ML方法相比.
- 确定SLE患者自动诊断支持系统的可行性.
主要方法:
- 该研究使用随机森林 (RF) 算法作为主要的ML技术.
- 多个ML算法,包括k-Nearest Neighbors (KNN),支持矢量机 (SVM),二进制线性差异分析 (BLDA),决策树 (DT) 和线性回归 (LR),用于比较.
- 分析了患者数据,以确定感染期间SLE爆发的迹象.
主要成果:
- 与KNN算法相比,拟议的射频系统的准确性提高了7.49%.
- 射频方法实现了优越的性能,曲线下面积 (AUC) 和平衡精度约为94%.
- 其他ML方法如SVM,BLDA,DT和LR显示性能指标较低 (例如,分别为81%,78%,84%,69%的准确性).
结论:
- 机器学习,特别是随机森林算法,显示了与感染相关的SLE爆发的自动诊断的重大前景.
- 开发的ML系统提供了一种可行的方法来增强SLE患者的诊断支持.
- 基于ML的工具的进一步开发可以改善早期检测和严重SLE活动的管理.
