基于机器学习的早期预警模型的开发和验证,用于状膜疾病:预测模型开发研究研究
Jian Meng1, Xiaoyu Niu1, Can Luo1
1Department of Obstetrics and Gynecology, West China Second Hospital, Sichuan University, Chengdu, China.
Journal of medical Internet research
|November 22, 2024
概括
这项研究确定了女性状阴道疾病 (LVD) 的关键风险因素,开发了一个梯度增强机 (GBM) 模型用于早期检测. GBM模型有效预测LVD风险,有助于及时干预和预防策略.
科学领域:
- 妇科健康 妇科健康
- 皮肤病学 皮肤病学
- 预测模型在医学中的预测模型.
背景情况:
- 液状阴道疾病 (LVD) 具有复杂的风险因素,需要个性化风险评估模型.
- 现有的关于LVD风险因素和预测模型的研究在国内和国际上都是有限的.
- 这项研究是首次对LVD风险因素进行系统调查,并开发了一个预测模型.
研究的目的:
- 识别和分析与女性LVD相关的风险因素.
- 在高风险人群中构建一个基于证据的预警模型,用于早期检测LVD风险.
- 提高临床识别,预测准确性和LVD的诊断能力.
主要方法:
- 从西中国第二医院 (2013-2017) 对2990名患者 (1218例对照,1772例LVD病例) 的回顾性分析.
- 收集和比较常规检查数据,以确定重大风险因素.
- 使用ROC曲线和AUC.使用六个预测模型 (逻辑回归,随机森林,GBM,Adaboost,XGBoost,CatBoost) 的开发和评估.
主要成果:
- 严重的LVD风险因素包括阴道炎,尿失禁,环境湿度,辛饮食,咖啡摄入量,睡眠时间,糖尿病,吸烟,自身免疫性疾病,更年期和高血压.
- 与其他模型相比,梯度增强机 (GBM) 模型表现出优异的预测性能 (AUC,精度,灵敏度,F1得分).
- 更年期状态和自身免疫性疾病被确定为LVD最强的积极预测因素.
结论:
- 基于基于证据的医学的LVD预测预警模型可以有效地识别高风险个体.
- 早期发现有助于及时采取预防措施,这对于降低女性LVD发病率至关重要.
- 开发的模型具有临床应用和减少整体疾病负担的巨大潜力.
