使用机器学习早期识别二次性系统性红斑狼的巨细胞激活综合征
Wenxun Lin1, Xi Xie2,3, Zhijun Luo1
1Department of Rheumatology, Union hospital, Tongji Medical College, Huazhong University of Science and Technology, Wuhan, China.
Arthritis research & therapy
|May 9, 2024
概括
机器学习模型和诊断记分卡在识别二次性系统性红斑狼 (SLE) 的巨细胞激活综合征 (MAS) 中显示出高准确性. 这种工具有助于对这种严重疾病的早期临床决策.
科学领域:
- 计算生物学是一种计算生物学.
- 医疗信息学医学信息学
- 免疫学 免疫学 免疫学
背景情况:
- 巨细胞激活综合征 (MAS) 是系统性红斑狼 (SLE) 的危及生命的并发症.
- 在SLE患者中早期诊断MAS具有挑战性,需要改进临床决策支持工具.
研究的目的:
- 开发和验证机器学习 (ML) 模型和诊断分数卡,用于早期检测SLE继发的MAS.
- 通过提供MAS发生的准确,概率预测来增强临床决策.
主要方法:
- 从SLE或MAS二次到SLE的188名患者的临床数据的回顾性收集.
- 使用LASSO进行特征选择,确定了13个重要的临床预测因素.
- 开发和评估五个ML模型 (包括物流回归和SVM) 和使用ROC-AUC,F1和F2得分的诊断得分卡,并获得四家医院的外部验证.
主要成果:
- 后勤回归 (LR) 模型实现了最高的内部验证性能 (ROC-AUC: 0.998,F1: 0.96,F2: 0.952).
- 开发的得分表显示出强的表现 (ROC-AUC:0.994,F2:0.936) 并将患者分为五个概率组.
- 外部验证显示,SVM模型 (AUC:0.947) 和得分卡 (AUC:0.915) 保持了高准确度. 创建了一个在线评估系统.
结论:
- 机器学习模型显著提高了对SLE次要的MAS的诊断准确性.
- 诊断记分卡在临床环境中促进了个性化的概率风险评估,有助于早期干预.
