在中国乌鲁木齐的学龄前儿童中预测过敏性鼻炎的可解释机器学习

科学领域:

• 儿科过敏和免疫学
• 计算医学是一种计算医学.
• 在医疗保健中的数据科学.

背景情况:

• 过敏性鼻炎 (AR) 是儿童常见的疾病,影响生活质量,并可能导致其他过敏性疾病.
• 准确预测早期儿童的AR风险对于及时干预和管理至关重要.
• 传统的风险评估方法可能无法充分捕捉导致AR的遗传和环境因素的复杂相互作用.

研究的目的:

• 将机器学习 (ML) 模型的预测性能与儿童过敏性鼻炎 (AR) 的后勤回归 (LR) 进行比较.
• 通过使用先进的特征选择技术,确定2至8岁儿童RA的关键预测因子.
• 开发和验证一个强大的ML模型,用于儿童群体早期AR风险预测.

主要方法:

• 分析了来自7131名2-8岁儿童的问卷数据,随机数据分为培训,验证和测试 (100次重复).
• 实现和比较LR,支持矢量机 (SVM),随机森林 (RF) 和极端梯度增强树 (XGBoost) 模型.
• 使用千平方和博鲁塔算法进行特征工程;通过接收器运行特征曲线下的区域 (AUROC) 和特征重要性的SHAP分析进行模型评估.

主要成果:

• 随机森林 (RF) 模型与物流回归 (LR) (AUROC = 0.715 ± 0.023) 相比,表现优越 (AUROC = 0.747 ± 0.015),具有统计学上显著的改善 (p < 0.001).
• 对AR最重要的预测因素包括父母的AR病史,年长兄弟姐妹的存在,食物过敏史和父亲的教育水平.
• 模型的表现在性别,出生方式和年龄分组中保持稳定,表明了强度.

结论:

• 机器学习模型,特别是随机森林,在预测幼儿过敏性鼻炎风险方面比传统的后勤回归具有显著的优势.
• 父母过敏史和特定的早期生活环境因素是AR发展的关键决定因素.
• 这项研究为儿童早期AR风险识别提供了经过验证的ML框架,支持个性化的儿科过敏护理.