使用可解释机器学习方法评估与炎症性肠病相关的生活质量:中国的一项多中心研究
Junhai Zhen1, Chuan Liu2, Jixiang Zhang2
1Department of General Practice, Renmin Hospital of Wuhan University, Wuhan, Hubei Province, 430060, People's Republic of China.
Journal of inflammation research
|August 14, 2024
概括
机器学习有效地识别了易发炎性肠病 (IBD) 患者,他们面临生活质量受损的高风险. 这种工具有助于早期干预,以获得IBD护理的更好的长期结果.
科学领域:
- 胃肠病学 胃肠病学
- 医疗信息学 医疗信息学
- 人工智能的人工智能
背景情况:
- 生活质量受损 (QOL) 是患有炎症性肠病 (IBD) 的患者面临的重大挑战.
- 早期识别IBD患者的风险较低的QOL对于及时干预和改善预后至关重要.
- 目前的风险分层方法可能不够快速或精确.
研究的目的:
- 开发和验证机器学习 (ML) 模型,用于IBD相关QOL损伤的风险分层.
- 确定与IBD患者的QOL受损相关的关键临床因素.
- 为临床医生提供一个工具,以便在IBD中主动管理QOL.
主要方法:
- 一个在线问卷收集了来自中国42家医院的2478名IBD患者的数据.
- 开发和验证了八种ML模型,以预测质量生活损害的风险.
- 使用性能指数确定了表现最佳的模型,并使用LIME.
主要成果:
- 支持矢量机 (SVM) 分类器模型表现出卓越的性能,AUC为0.80,准确度为0.71.
- 较高QOL损伤风险的关键预测因素包括葡萄糖皮质激素的使用,焦虑,腹痛,睡眠障碍和疾病严重程度.
- 较长的疾病持续时间和使用生物药物/免疫抑制剂与较低的风险有关.
结论:
- 机器学习为评估IBD相关的QOL损伤提供了一种可行和有效的方法.
- 这种基于ML的工具可以帮助胃肠科医生识别高风险IBD患者.
- 早期识别有助于针对性干预,以改善患者的质量生活和长期结果.
