预测异常的C-反应蛋白水平以提高深度神经网络模型的利用率
Donghua Mo1, Shilong Xiong1, Tianxing Ji1
1Clinical Laboratory Medicine Department, The Second Affiliated Hospital of Guangzhou Medical University, Guangzhou, China.
International journal of medical informatics
|November 29, 2024
概括
深度神经网络 (DNN) 模型有效地使用完整血清 (CBC) 数据预测C反应性蛋白 (CRP) 水平. 这种AI方法可以提高CRP测试的临床实用性,有助于炎症诊断.
科学领域:
- 生物医学信息学 生物医学信息学
- 医疗保健中的人工智能
- 临床诊断 临床诊断 临床诊断
背景情况:
- C-反应蛋白 (CRP) 是一个关键的炎症生物标志物.
- 目前对CRP测试的临床使用因缺乏基于证据的指导方针而遭受过度使用和不足使用.
- 需要预测模型来优化CRP测试订单.
研究的目的:
- 开发和验证深度神经网络 (DNN) 模型,用于预测正常和异常的C反应蛋白 (CRP) 水平.
- 在临床实践中增强CRP测试的适当和智能排序.
- 为了利用完整血清 (CBC) 参数来预测CRP水平.
主要方法:
- 利用53834份医疗记录的大数据集进行模型开发.
- 采用全血细胞计 (CBC) 参数作为特征向量.
- 将DNN模型与其他机器学习算法进行比较,包括支持矢量分类,后勤回归,决策树和随机森林.
- 在20723个样本的独立数据集上对表现最好的DNN模型进行外部验证,使用歧视,校准曲线和决策曲线分析.
主要成果:
- 深度神经网络 (DNN) 模型表现出卓越的性能,具有最高的接收器操作特征曲线 (AUC) 下的区域.
- 内部验证显示AUC为0.818,平衡精度为0.741,F1得分为0.649.
- 外部验证的结果与AUC为0.817,平衡精度为0.741,F1得分为0.641.7的AUC相当.
- 鉴于CRP-C2模型的Brier分数最低 (0.154) 和优异的校准 (y=1.001x-0.010),CRP-C2模型被确定为目标模型.
结论:
- 在区分二元C反应蛋白 (CRP) 水平方面,DNN模型提供了适度的性能,优于基线方法.
- 开发的模型表现出良好的概括和校准,表明可靠性.
- CRP-C2模型可以优化CRP测试利用率,并支持炎症诊断,特别是在初级保健机构中,CBC数据可用,但CRP测试可能有限.
