使用可解释机器学习方法构建和验证静脉注射免疫球蛋白耐药川崎病的预测模型
Linfan Deng1,2,3, Jian Zhao1,2, Ting Wang1,2
1Department of Pediatrics, The Affiliated Hospital of Southwest Medical University, Luzhou, China.
Clinical and experimental pediatrics
|July 24, 2024
概括
机器学习模型可以使用,血红蛋白,CRP和球蛋白等因素预测静脉注射免疫球蛋白 (IVIG) 耐药的川崎病. 这有助于早期检测和个性化治疗策略,以获得更好的患者结果.
科学领域:
- 儿科 儿科 儿科
- 免疫学 免疫学 免疫学
- 数据科学数据科学数据科学
背景情况:
- 抗静脉免疫球蛋白 (IVIG) 的川崎病带来冠状动脉病变的风险.
- 识别IVIG耐药性的预测因素对于管理川崎病至关重要.
研究的目的:
- 探索与川崎病IVIG耐药性相关的因素.
- 开发和验证可解释的机器学习 (ML) 模型,用于预测IVIG电阻.
主要方法:
- 从2014年12月到2022年11月对602名患者进行了查.
- 使用五种ML模型研究IVIG耐药性的风险因素.
- 应用了SHapley添加式解释 (SHAP) 来实现模型的可解释性.
主要成果:
- (Na+),血红蛋白 (Hb),C反应蛋白 (CRP) 和全球蛋白被确定为独立的危险因素.
- 在XGBoost模型中,AUC达到0.821,精度为0.748,灵敏度为0.889,特异性为0.683.
- 在全球蛋白水平和IVIG耐药性之间观察到非线性关系.
结论:
- Na+,Hb,CRP和全球蛋白水平独立地与IVIG耐药性相关.
- ML模型,特别是XGBoost,可以可靠地预测川崎病的IVIG耐药性.
- 对XGBoost模型的SHAP解释有助于理解IVIG耐药性和指导个性化治疗.


