通过随机森林算法识别Graves轨道病的严重程度
Minghui Wang1,2, Gongfei Li3, Li Dong1
1Beijing Tongren Eye Center, Beijing Tongren Hospital, Beijing Ophthalmology and Visual Science Key Lab, Beijing, China.
Hormone and metabolic research = Hormon- und Stoffwechselforschung = Hormones et metabolisme
|April 8, 2024
概括
一个新的随机森林模型有效地检测了Graves Orbitopathy (GO) 严重程度,优于其他方法. 视力模糊和年龄等关键因素对于区分轻度和严重的GO病例至关重要.
科学领域:
- 眼科医生 眼科 眼科
- 医疗信息学 医疗信息学
- 机器学习 机器学习
背景情况:
- 格雷夫斯轨道病 (GO) 严重程度分类对于患者管理至关重要.
- 当前的分类方法可能会从先进的预测建模中受益.
研究的目的:
- 开发和验证一个随机森林模型来检测Graves轨道病变的严重程度.
- 确定影响GO严重程度分类的关键临床因素.
- 将随机森林模型的性能与其他机器学习算法进行比较.
主要方法:
- 一项涉及199名格雷夫斯轨道病患者的医院研究.
- 从2019年12月至2022年2月期间从医疗记录中收集的临床数据.
- 使用15个变量构建了一个随机森林模型,并与后勤回归,SVM和Naive Bayes进行了比较.
主要成果:
- 随机森林模型的准确度为0.83,PPV为0.82,NPV为0.86,F1得分为0.82.
- 视力模糊,疾病持续时间,TSH受体抗体和年龄是重要的预测因素.
- 与后勤回归,SVM和Naive Bayes相比,随机森林模型显示出更高的性能 (AUC 0.85,精度 0.83).
结论:
- 随机森林模型显示了作为一个补充工具的显著潜力,用于区分Graves轨道病变的严重程度.
- 这种方法可以帮助更准确和及时的患者管理.
- 识别关键的风险因素可以提高对GO进展的理解.
