基于机器学习的人类血液的深度分析,使用NIR光谱仪签名

科学领域:

• 生物医学工程 生物医学工程
• 频谱学是一种光谱学.
• 机器学习 机器学习

背景情况:

• 非侵入性诊断对于患者的安全至关重要.
• 使用光谱和图像分析检测贫血显示出希望,但面临的挑战与不一致的结果.
• 开发可靠的,非侵入性的血红蛋白监测是必不可少的.

研究的目的:

• 为血红蛋白 (Hb) 度监测提供一种可适应的临床近红外 (NIR) 光谱测量方法.
• 整合一个机器学习 (ML) 算法,以考虑影响因素.
• 为了提高非侵入性贫血检测的准确性和一致性.

主要方法:

• 一项观察性研究涉及121名受试者,Hb度范围广泛 (8.2-17.4g/dL).
• 使用近红外 (NIR) 光谱光度和来自两个标准实验室分析仪的数据.
• 应用了减小维度的技术和回归模型,并进行了5倍交叉验证.

主要成果:

• 支持向量回归 (SVR) 与相互信息实现了最佳准确性 (r=0.79,SD=1.07 g/dL,偏差=-0.13 g/dL).
• 在NIR系统和实验室分析仪之间发现了很高的可比性 (r=0.97,SD=0.50 g/dL,bias=0.21 g/dL).
• 该系统的精度为±1g/dL,不管患者的人口统计和生活方式因素.

结论:

• 带有ML算法的NIR光谱测量系统提供了精确可靠的血红蛋白监测.
• 该技术适用于偏远农村地区和重症监护单位的持续Hb监测.
• 开发的方法解决了对一致和非侵入性贫血检测的需求.