机器学习方法的临床实用性,使用回归模型来诊断异敏性慢性鼻炎
Hiroatsu Hatsukawa1, Masaaki Ishikawa1
1Department of Otolaryngology, Head and Neck Surgery Hyogo Prefectural Amagasaki General Medical Center Amgasaki Japan.
OTO open
|March 11, 2024
概括
机器学习有效地预测血液中氨基酸水平的组织学氨基酸计数,有助于诊断氨基酸性慢性鼻炎 (ECRS). 这种方法为ECRS提供了有价值的诊断切线,特别是在存在鼻息肉的情况下.
科学领域:
- 过敏和免疫学 过敏和免疫学
- 计算生物学 计算生物学
- 耳鼻喉科 耳鼻喉科 耳鼻喉科
背景情况:
- 乳酸性慢性鼻炎 (ECRS) 的诊断依赖于组织学评估.
- 血中乙素水平是潜在的生物标志物,但它们对ECRS的预测实用性需要进一步澄清.
- 机器学习 (ML) 模型可以提高从外围血液中氨基酸水平的组织学氨基酸计数的预测.
研究的目的:
- 为了比较诊断ECRS的统计方法.
- 调查ML方法在预测ECRS诊断中的组织学氨基酸计数方面的实用性.
- 为了确定最佳的血中乙氨基酸切断值用于ECRS检测.
主要方法:
- 追溯分析了264名慢性鼻炎患者的数据.
- 利用回归模型来识别影响组织病理性乙氨基酸细胞计数的因素.
- 采用接收器运行特征 (ROC) 曲线和基于ML的回归模型,以确定血液中氨基细胞的切断点.
主要成果:
- 血中乙氨基酸的水平,鼻多的存在和喘是基因病学乙氨基酸计数的显著预测因素.
- ML方法提供了基于鼻息肉状况的ECRS诊断的鲜明的血红素切断值.
- 识别了ECRS与鼻息肉 (≥1%或≥100/μL) 和没有鼻息肉 (≥6%或≥400/μL) 的截止值.
结论:
- 来自ML的血中乙氨基酸切断线显示出对生物检前ECRS怀疑的前景.
- ML模型在协变性调整,过拟度缓解和预测组织学异osinophil数量方面具有优势.
- 这些发现支持在完善ECRS诊断策略时使用ML.
