一种多分析机器学习模型,用于检测儿科环境中完整血液计数管中的错误血液

科学领域:

• 临床实验室科学 临床实验室科学
• 医疗保健中的机器学习
• 患者安全 患者安全

背景情况:

• 目前用于检测抽血错误的方法有限.
• 多分析机器学习 (ML) 模型为改进检测错误的血液在管 (WBIT) 错误提供了潜力.
• 在低患病率的环境中,WBIT检测模型的现实性能尚未得到充分证实.

研究的目的:

• 评估ML模型在WBIT错误检测中的实际性能.
• 提出一种方法来评估WBIT检测模型在低患病率的环境中.
• 为了将ML模型的性能与现有的前阳性患者识别 (PPID) 方法进行比较.

主要方法:

• 在儿科队列中使用多种预测因子训练了各种ML模型规范.
• 在"低流行率"验证数据集上评估了表现最好的极端梯度增强 (XGBoost) 模型.
• 通过不同的概率值评估模型性能,并将其与PPID前数据进行比较.

主要成果:

• XGBoost模型在CBC与diff (0.9715) 和CBC没有diff (0.9647) 测试中实现了高精度.
• 估计WBIT检测的积极预测值在0.01到0.75之间,取决于概率值.
• 与PPID数据相比,前性绩效比较显示,与PPID数据相比,估计的WBIT错误显著减少.

结论:

• 机器学习模型可以在儿科实验室环境中准确预测WBIT.
• 优化概率值平衡了假阳性降低与安全益处.
• 对于不使用PPID的实验室来说,WBIT ML模型提供了潜在的安全优势.