一个堆叠的基于机器学习的分类模型,用于子宫内膜异位症和腺菌症:使用外周血液和凝血标记物的回顾性队列研究

科学领域:

• 妇科瘤学 妇科瘤学
• 医学诊断 医学诊断 医学诊断
• 计算生物学 计算生物学

背景情况:

• 子宫内膜异位症 (EMs) 和腺菌症 (AD) 是普遍存在的妇科疾病,导致显著的发病率.
• 目前对EM和AD的诊断方法具有侵入性,需要开发非侵入性替代品.
• 疼痛和不孕不育等共同症状会影响妇女的生活质量,强调需要准确的差异化.

研究的目的:

• 开发和验证一种新的,非侵入性的分类方法,用于区分子宫内膜异位症和腺肌病.
• 在机器学习框架内利用周围血液和凝血标记物进行疾病歧视.
• 建立一个具有成本效益和易于使用的诊断方法,用于早期和快速的差异诊断.

主要方法:

• 一项回顾性队列研究,涉及558名患者 (329名EM患者,229名AD患者).
• 分析主要的血液学和凝血标志物.
• 机器学习技术的应用,包括逻辑回归,支向量机,K-最近邻居和堆叠组合模型用于特征选择和分类.

主要成果:

• 确定了主要的血液学和凝血标志物:红细胞分布宽度,体质血红蛋白平均度,激活的部分血栓形成时间,国际正常化比率和抗血红素III.
• 堆叠组合机器学习模型实现了优异的性能,曲线下的面积为0.803 (95% CI:0.701-0.904).
• 证明了堆叠组合ML模型在分类EM和AD方面的有效性.

结论:

• 堆叠的整体机器学习模型有效地区分子宫内膜异位症和腺髓异位症,使用外周血液和凝血标记.
• 这种非侵入性方法为临床决策和个性化治疗策略提供了潜在的变革性方法.
• 倡导将生物标志物整合到一个多算法框架中,用于早期,快速和非侵入性差异诊断.