可解释的机器学习模型和用于预测传统中医药在治疗长期COVID中的疗效的名图:一个回顾性研究

科学领域:

• 综合医学是一个整体的医学.
• 计算生物学 计算生物学
• 临床信息学 临床信息学

背景情况:

• 长期的COVID对患者的生活质量构成重大挑战,没有确立的标准化治疗方法.
• 传统中医 (TCM) 为长期COVID管理中针对性的治疗策略提供了一个有希望的途径.
• 开发预测工具对于优化TCM在长期COVID护理中的应用至关重要.

研究的目的:

• 开发一个可解释的机器学习 (ML) 模型和一个名图,以识别可能从TCM中受益的长期COVID患者.
• 加强基于TCM的长期COVID治疗的临床决策.

主要方法:

• 分析了来自三家医院的1331名长期COVID患者的TCM治疗数据.
• 使用最少绝对收缩和选择运算符 (LASSO) 方法来识别关键预测特征.
• 采用了五种ML算法 (SVM,RF,KNN,XGBoost,NN) 并开发了一个基于后勤回归的名ogram.

主要成果:

• 在测试组中,XGBoost模型表现出高性能,AUC为0.9059,F1得分为0.9027.
• 对TCM疗效的关键预测因素包括胸部紧张,厌恶感冒,年龄,TCMSS,SF-36分数,CRP和淋巴细胞比率.
• 在测试组中,开发的名图表在测试组中实现了0.9479的AUC和0.9384的F1得分.

结论:

• 使用多中心数据开发了一个强大的ML模型和名图,以预测长期COVID中的TCM疗效.
• 这些工具可以帮助临床医生在长期COVID患者的TCM方面做出更有效,更明智的决定.
• 这项研究强调了可解释的AI在针对后病毒综合征的个性化综合医学中的潜力.