用变压器和机器学习对无形皮肤炎的患者表型:算法开发和验证研究

科学领域:

• 医疗信息学 医疗信息学
• 计算生物学 计算生物学
• 临床研究 临床研究

背景情况:

• 无氧性皮肤炎 (AD) 是一种普遍的慢性皮肤疾病,影响全球数百万人.
• 目前的AD研究在患者招募方面面临挑战,原因是诊断的变化和耗时的手工流程.
• 自动化患者表型化对于在AD研究中有效的队列鉴定至关重要.

研究的目的:

• 开发和介绍一种自动化的方法来识别潜在的阿托皮性皮肤炎 (AD) 患者,使用电子健康记录 (EHR).
• 简化AD研究中临床试验招募患者鉴定过程.

主要方法:

• 患者使用矢量化数据进行代表,并纳入诊断标准.
• 被监督的机器学习模型被训练来分类患有亚托皮性皮肤炎 (AD) 的患者.
• XGBoost (极度梯度提升) 被用作主要的分类算法.

主要成果:

• XGBoost 分类器实现了 0.8036.6 的类平衡精度.
• 该模型显示了0.8400的精度和0.7500的回忆,用于识别AD患者.
• 开发的方法显示了准确的患者表型定型的巨大潜力.

结论:

• 自动化患者队列识别可以加速和标准化阿托皮性皮肤炎 (AD) 研究的招聘.
• 这种方法有可能减少临床医生的负担,并促进发现改进的AD治疗方法.
• 有效的患者表型是推动AD研究和治疗开发的关键.