一个机器学习策略,以减轻在临床实践中对公甲素请求的不适当性

科学领域:

• 临床实验室科学 临床实验室科学
• 生物医学信息学是生物医学信息学.
• 机器学习在医疗保健中的应用.

背景情况:

• 在临床环境中,经常要求进行前素 (PCT) 测试.
• 不适当的PCT请求可能会导致不必要的成本和潜在的患者伤害.
• 需要工具来帮助临床医生明智地订购PCT测试.

研究的目的:

• 开发和评估机器学习 (ML) 模型,用于预测前素 (PCT) 阳性.
• 为了减轻在临床病房中不适当的PCT请求.
• 通过使用现有数据,识别PCT阳性的预测因素.

主要方法:

• 使用人口统计数据 (性别,年龄) 和实验室参数 (细胞血清,单细胞分布宽度,C反应蛋白) 开发了六种ML模型.
• 使用了1667个PCT测量的数据集,65.4%的负结果和34.6%的阳性结果,基于0.50 ng/mL的切断值.
• 70:15:15分列车:验证:测试分割用于模型开发和评估.

主要成果:

• 随机森林,支持向量机和极端梯度提升模型表现出最佳的性能.
• 这些模型实现了从0.88到0.89的曲线下面面积 (AUC) 来预测PCT阳性.
• 这些模型有效地区分了积极和消极的PCT结果.

结论:

• 开发的ML模型可以准确预测PCT阳性.
• 这些模型为减少在临床实践中不必要的PCT请求提供了有价值的工具.
• 这些模型利用易于测量和低成本的实验室测试,使它们成为广泛采用的实用性.