开发和验证基于clinlabomics的机器学习模型,用于在高近视患者中早期检测视网膜脱落
Shengjie Li1, Meiyan Li2,3,4,5,6, Jianing Wu1
1Department of Clinical Laboratory, Eye & ENT Hospital, Shanghai Medical College, Fudan University, Shanghai, China.
Journal of translational medicine
|April 30, 2024
概括
一个机器学习模型使用临床实验室数据准确地预测高近视 (HM) 患者的视网膜脱落 (RD). 这种工具有助于眼科医生进行早期诊断,并改善患者的治疗结果.
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:
- 视网膜脱落 (RD) 是一种严重的视力威胁状况.
- 高近视 (HM) 显著增加了发展RD的风险.
- 早期发现高近视相关的视网膜脱落 (HMRD) 对有效治疗至关重要.
研究的目的:
- 开发和验证用于早期检测HMRD的机器学习模型.
- 通过临床实验室omics (clinlabomics) 数据简化诊断过程.
- 为了提高眼科医生治疗HM患者的诊断准确度.
主要方法:
- 从24,440名HM和5,607名HMRD患者 (2015-2022) 中提取了clinlabomics数据.
- 使用拉索回归来选择显著变量,不包括对线变量.
- 训练并验证了四种机器学习模型 (随机森林,GBM,GLM,深度学习) 用于HMRD诊断.
主要成果:
- 在所有模型中,一致选择了9个关键变量.
- 梯度增强机 (GBM) 模型表现出强大的诊断性能.
- 在训练中GBM的AUC为0.8550,在外部测试中为0.7579.
- GBM 模型被精心校准并集成到一个用于风险预测的网络应用程序中.
结论:
- 渐变增强机 (GBM) 算法有效预测高近视 (HM) 患者的RD.
- 开发的模型有助于眼科医生进行初步诊断,并提高临床准确性.
- GBM-RD模型为HMRD的早期检测和管理提供了有价值的工具.
