可解释机器学习模型用于预测吉-巴雷综合征患者的预后

科学领域:

• 神经学 神经学
• 医疗信息学 医疗信息学
• 计算生物学 计算生物学

背景情况:

• 机器学习 (ML) 在预测吉-巴雷综合征 (GBS) 的预后方面未得到充分利用.
• 之前没有任何研究将ML技术应用于GBS预后预测.
• 这项研究通过开发和验证用于GBS结果预测的ML模型来解决这一差距.

研究的目的:

• 开发和评估机器学习模型,用于预测吉-巴雷综合征 (GBS) 的短期预后.
• 通过使用ML解释性技术,识别影响GBS患者预后的关键临床因素.
• 建立一个可靠的预测工具,用于GBS患者的结果.

主要方法:

• 分析了223名GBS患者的病历,使用最小绝对缩小和选择运算符 (LASSO) 进行变量选择.
• 构建和比较八个ML模型:决策树 (DT),随机森林 (RF),极端梯度提升 (XGBoost),k-最近邻居 (KNN),天真湾 (NB),神经网络 (NN),光梯度提升机 (LGBM) 和后勤回归 (LR).
• 在55名GBS患者的模型验证中,使用SHapley添加式解释 (SHAP) 进行解释性和ssGSEA进行免疫细胞透分析.

主要成果:

• XGBoost获得了最高的精度 (0.852) 和F1指数 (0.832),RF和LGBM也表现出强的表现.
• 验证数据证实了RF (AUC 0.839) XGBoost (AUC 0.919) 和LGBM (AUC 0.733) 的高预测能力.
• 在SHAP分析中,血中中性粒细胞/淋巴细胞比率 (NLR),年龄,机械通风,过度屈曲和异常的光鼻神经被确定为显著预测因素.

结论:

• 结合了NLR,年龄,机械通风,低,以及异常的喉迷走神经,有效地预测了GBS患者的短期预后.
• 开发的ML模型显示了改善GBS患者预测结果的巨大潜力.
• 这种方法为GBS管理中的临床决策提供了有价值的工具.