使用血液常规指标建立一个机器学习模型来预测 Schistosoma japonicum 患者的肝纤维化
Yang Liu1,2,3, Shudong Xie1,2,3, Jie Zhou4
1Transplantation Center, The Third Xiangya Hospital, Central South University, No. 138 Tongzipo Road, Changsha, 410013, Hunan, China.
Scientific reports
|May 20, 2024
概括
这项研究开发了一种机器学习模型,使用常规血液测试来预测杆菌病患者的肝纤维化. 轻GBM模型显示了早期诊断和干预的前景.
科学领域:
- 医疗信息学 医疗信息学
- 寄生虫学的寄生虫学
- 肝病学 肝病学是一种肝病学.
背景情况:
- 日本杆菌病是一个重大的公共卫生问题,经常导致肝纤维化.
- 早期检测肝纤维化在杆菌病患者的肝纤维化对于有效管理至关重要.
研究的目的:
- 开发和验证一种机器学习模型,用于预测 Schistosoma japonicum 患者的肝纤维化.
- 从基本患者信息和常规血液检测中确定关键预测变量.
主要方法:
- 收集了 1049 个 Schistosoma japonicum 患者的医疗记录.
- 使用LASSO方法选10个关键变量进行建模.
- 开发并比较了六个机器学习算法,包括LightGBM.
- 使用AUC,特异性和灵敏度解释模型性能,并使用SHAP解释模型.
主要成果:
- 轻GBM模型表现出优异的性能,AUC为1 (训练集) 和0.818 (验证集).
- 关键的预测变量包括RDW-SD,MCHC,MCV,HCT,红细胞,埃索诺菲尔,单细胞,淋巴细胞,中性细胞和年龄.
- 该模型在研究的队列中有效预测了肝纤维化.
结论:
- 成功建立了一种强大的机器学习模型,用于预测杆菌病患者的肝纤维化.
- 这种模型可以帮助早期诊断和及时干预与schistosoma japonicum感染相关的肝纤维化.
