可解释的机器学习模型用于预测抗体阳性自身免疫脑炎患者的预后

科学领域:

• 神经学 神经学
• 人工智能的人工智能
• 医学预测 医学预测

背景情况:

• 自身免疫性脑炎 (AE) 是一种罕见的神经系统疾病,其全球疾病负担正在增加.
• 准确的预后预测对于管理AE患者至关重要.
• 现有的预后模型可能会从先进的机器学习方法中受益.

研究的目的:

• 开发和验证机器学习 (ML) 模型,用于预测抗体阳性自身免疫脑炎 (AE) 患者的预后.
• 为了比较9种不同的ML方法在AE预后预测中的性能.
• 使用可解释的AI技术识别AE预后的关键预测因素.

主要方法:

• 利用了来自全球疾病负担 (GBD) 研究的187名AE患者的数据集.
• 开发了使用九个ML算法的预测模型:决策树 (DT),随机森林 (RF),极端梯度增强 (XGBoost),K-最近邻居 (KNN),支持向量机 (SVM),天真湾 (NB),神经网络 (NN),光梯度增强机 (LGBM) 和后勤回归 (LR).
• 已验证的歧视,校准和临床适用性的模型. 采用沙普利增量解释 (SHAP) 来解释模型的可解释性.

主要成果:

• 脑炎的全球负担,包括死亡,发病率和流行率,从2010年到2021年显示出日益增长的趋势.
• 随机森林 (RF) 获得了最高的精度 (0.860) 和F1得分 (0.844),紧随其后的是XGBoost (精度0.826,F1得分0.807).
• SHAP分析确定了感染,CSF单细胞百分比和前白蛋白作为AE预后的重要预测因素.

结论:

• 射频和XGBoost模型表现出强大的性能,良好的区分,校准和临床适用性,用于预测AE预后.
• 这些ML模型提供了有价值的解释性,有助于临床决策.
• 尽管罕见疾病固有的样本规模很小,但开发的模型对AE患者管理有希望.