一个机器学习工具,用于早期识别腹腔疾病自身免疫性
Michael Dreyfuss1, Benjamin Getz2, Benjamin Lebwohl3
1Predicta Med Analytics Ltd., Ramat Gan, Israel. michael@predicta-med.com.
Scientific reports
|December 27, 2024
概括
机器学习模型可以识别患有乳病 (CD) 自免疫风险的患者. 通过血清学查的早期鉴定可以预防未被诊断的乳病的诊断延迟.
科学领域:
- 医疗信息学 医疗信息学
- 胃肠病学 胃肠病学
- 机器学习 机器学习
背景情况:
- 结核病 (CD) 的诊断往往会延迟,导致长时间的痛苦和潜在的并发症.
- 血清学查可以帮助早期发现CD,但识别有风险的个体是具有挑战性的.
研究的目的:
- 开发和评估机器学习模型,用于识别患有性病自身免疫风险的患者.
- 改善早期诊断乳病并减少诊断延迟.
主要方法:
- 使用了来自麦卡比医疗保健服务的匿名电子健康记录.
- 使用人口和实验室数据开发和比较了五种机器学习模型 (XGBoost,后勤回归,随机森林,多层感知器,决策树).
- 在一组已确认的乳病病例和对照病例数据集上训练模型,并使用曲线下的面积 (AUC) 评估性能.
主要成果:
- 该XGBoost模型实现了最高的性能,AUC为0.86.
- 后勤回归 (AUC=0.85) 和随机森林 (AUC=0.83) 也显示出强大的区分能力.
- 关键的预测特征包括贫血,转氨酸炎和降低高密度脂蛋白水平.
结论:
- 机器学习模型,特别是XGBoost,在识别高风险患有未诊断的胰腺疾病自身免疫力的患者方面表现有前途.
- 这种方法可以作为指导血清学查和促进早期诊断的临床工具.
- 早期识别有风险的个体可以通过减少诊断延迟显著改善患者的结果.
