一种基于机器学习和CPD参数的潜在预测模型,用于老年患有无性贫血和骨髓质瘤的老年患者
Yuxiang Qi1,2, Xu Liu2,3, Zhishan Ding1
1School of Medical Technology and Information Engineering, Zhejiang Chinese Medical University, Hangzhou, China.
BMC medical informatics and decision making
|December 19, 2024
概括
这项研究开发了一种机器学习模型,使用细胞种群数据来区分无性贫血 (AA) 和骨髓质瘤 (MDS). 该模型有助于老年患者的早期诊断,改善治疗决策.
科学领域:
- 血液学 血液学 血液学
- 医疗信息学 医疗信息学
- 机器学习在医学中的应用
背景情况:
- 无形性贫血 (AA) 和骨髓分裂性瘤 (MDS) 呈现出类似的外周血液发现,使得差异诊断具有挑战性.
- 减少的血液学三位一体是AA和MDS的共同临床特征.
- 准确的区分对于适当的患者管理和治疗策略至关重要.
研究的目的:
- 开发和验证一种机器学习算法,用于使用细胞群数据 (CPD) 来区分AA和MDS.
- 评估开发模型在老年患者中的诊断准确性和临床实用性.
- 帮助医生在AA和MDS的早期和准确诊断.
主要方法:
- 使用贝克曼·考尔特DxH800分析仪对160名被诊断患有AA或MDS的CPD参数进行了回顾性分析.
- 数据分为培训 (77%) 和测试 (23%) 队列,对来自两个额外中心的86名老年患者进行外部验证.
- 单变量分析和LASSO回归确定了关键预测变量;比较了六种机器学习算法,使用AUC,校准曲线,DCA和SHAP图进行性能评估.
主要成果:
- 使用五个变量 (年龄,MNVLY,SDVLY,MNLALSEGC,MNCEGC) 的逻辑回归模型证明了预测AA和MDS概率的最佳性能.
- 该模型在测试队列中实现了0.791的AUC,具有高特异性 (0.850) 和正预测值 (0.818).
- 预测和实际概率之间有很好的一致性,在外部验证组中表现一致 (AUC 0.719).
结论:
- 一个新的,经过验证的机器学习模型有效地区分了患有AA和MDS的老年患者.
- 该模型显示出有很大的潜力,可以帮助医生早期诊断这些疾病.
- 改进的诊断准确性可以导致更及时和适当的治疗老年患者的AA和MDS.
