预测模拟eosinophilic慢性鼻炎:Nomogram和四个机器学习方法
Panhui Xiong1, Junliang Chen2, Yue Zhang1
1Department of Otorhinolaryngology, The First Affiliated Hospital of Chongqing Medical University, Chongqing 400016, China.
iScience
|February 9, 2024
概括
预测模型识别了用于诊断无需侵入性活检的乳酸性慢性鼻炎 (ECRS) 的关键临床因素. 这种方法有助于早期ECRS检测和治疗计划.
科学领域:
- 耳鼻喉科 耳鼻喉科 耳鼻喉科
- 医疗成像医学成像
- 计算生物学 计算生物学
背景情况:
- 乙酸性慢性鼻炎 (ECRS) 由于乙酸性透和治疗耐药性,存在重大挑战.
- 目前ECRS的诊断方法通常依赖于侵入性组织学评估.
- 需要使用非侵入性诊断工具来改善ECRS识别.
研究的目的:
- 利用现有临床数据开发和验证ECRS诊断的预测模型.
- 消除对ECRS诊断的组织学检查的必要性.
- 确定与ECRS相关的关键临床预测因素.
主要方法:
- 使用拉索,随机森林,梯度增强决策树和深度神经网络模型的后勤回归.
- 从437名患者的队列中对临床参数进行了训练模型.
- 使用AUC,决策曲线和特征排名来评估模型性能.
主要成果:
- 确定了外周血液中异氨基酸比率和绝对外周血液中异氨基酸计数作为显著预测因素.
- 在CT扫描中,肌/大鼻腔密度比 (E/M) 成为关键的诊断指标.
- 开发的模型证明了ECRS的有效预测能力.
结论:
- 非侵入性预测模型可以准确识别ECRS,减少活检的需要.
- 临床参数,包括血中乙氨基水平和鼻腔CT密度比,对于ECRS诊断非常有价值.
- 这种方法增强了ECRS的临床决策和患者管理.


