新的多类分类机器学习方法用于系统性自身免疫性类风湿性疾病的早期分类
Yun Wang1, Wei Wei1, Renren Ouyang1
1Department of Laboratory Medicine, Tongji Hospital of Tongji Medical College of Huazhong University of Science and Technology, Wuhan, Hubei, China.
Lupus science & medicine
|February 1, 2024
概括
一个新的机器学习模型使用常见的实验室测试准确地分类系统性自身免疫性风湿性疾病 (SARD),如SLE,Sjögren综合征和炎症性肌炎. 这种方法有助于早期诊断,并改善患者对这些复杂疾病的护理.
科学领域:
- 类风湿病学 类风湿病学
- 医疗信息学 医疗信息学
- 计算生物学 计算生物学
背景情况:
- 系统性自身免疫性风湿性疾病 (SARDs) 呈现重叠的症状,使早期诊断复杂化.
- 准确的分类对于及时有效治疗SARDs至关重要.
- 可访问的实验室指标为开发诊断工具提供了潜力.
研究的目的:
- 为早期SARDs分类开发一个多类机器学习 (ML) 模型.
- 利用现有的实验室标记物用于SARDs诊断.
- 要区分系统性红斑狼 (SLE),肖格伦综合征 (SS) 和炎症性肌肉炎 (IM).
主要方法:
- 分析了925名SARD患者的队列,分为SLE,SS和IM.
- 选择了9个关键实验室指标,包括自身抗体和常规血液计数.
- 用各种ML算法构建了一个三方分类模型,随机森林 (RF) 是主要重点.
主要成果:
- 随机森林 (RF) 模型在区分SLE,IM和SS方面表现出很高的性能,SLE的整体AUC为0.953.
- 在训练队列中,RF模型在SLE中达到89.2%,IM中达到86.9%,SS中达到85.7%.
- 在队列2的外部验证证实了该模型的稳定性,整体准确率为87.3%,突出显示了通过SHAP分析的抗体概况的重要性.
结论:
- 使用基本实验室指标的先进的多类ML模型显示了SARDs分类的巨大潜力.
- 开发的模型提高了早期SARDs诊断的临床可行性.
- 将临床专业知识与ML集成为改善SARD患者护理提供了一个有希望的方法.
