基于机器学习的血红蛋白病的预测,使用完整的血清数据
Anoeska Schipper1,2, Matthieu Rutten2,3, Adriaan van Gammeren4
1Laboratory of Clinical Chemistry and Hematology, Jeroen Bosch Hospital's, Hertogenbosch, the Netherlands.
Clinical chemistry
|June 21, 2024
概括
机器学习模型通过常规血液检查准确地检测出各种血红蛋白病变,有助于早期诊断和遗传性血液疾病的遗传咨询.
科学领域:
- 血液学 血液学 血液学
- 医学诊断 医学诊断 医学诊断
- 医疗保健中的机器学习
背景情况:
- 血球蛋白病是一种常见的遗传性血液疾病,经常被诊断不足,需要早期识别携带者进行遗传咨询.
- 常规的全血细胞计 (CBC) 检测是初始健康评估的广泛可用的工具.
研究的目的:
- 开发和验证一种新的机器学习模型,用于检测广泛的血红蛋白病变.
- 为了利用常规的全血细胞计 (CBC) 参数来自动检测血红蛋白病变.
主要方法:
- 从8个荷兰实验室对10,322名成年患者的回顾性分析结果.
- 使用7个CBC参数开发极端梯度增强 (XGB) 和后勤回归模型.
- 在独立的荷兰和西班牙数据集上进行外部验证,包括对血病与缺铁性贫血 (IDA) 的区分.
主要成果:
- 在XGB和逻辑回归模型中,在区分血红蛋白病变方面,获得了高精度 (AUROC 0.88和0.84).
- XGB模型在各种类型的血红蛋白病变中表现出色,包括β-thalassemia (0.97) 和alpha-thalassemia (高达0.98).
- 这两种模型在区分IDA和沙拉西米亚时都获得了0.95的AUROC.
结论:
- 机器学习模型有效地使用常规CBC数据预测了广泛的血红蛋白病变.
- 这些模型可以准确地从IDA区分出血红蛋白病变.
- 集成到实验室系统可以实现自动检测,提高诊断效率.
