使用机器学习预测儿科免疫血栓塞缩症中中度至重度出血风险
Xuelan Shen1,2, Xiaoli Guo1, Yang Liu3
1Department of Hematology and Oncology Children's Hospital of Chongqing Medical University, National Clinical Research Center for Child Health and Disorders, Ministry of Education Key Laboratory of Child Development and Disorders, Chongqing Key Laboratory of Child Rare Diseases in Infection and Immunity, Chongqing, People's Republic of China.
European journal of pediatrics
|April 8, 2025
概括
一个新的机器学习模型准确地预测了免疫性血栓塞缩症 (ITP) 儿童的严重出血风险. 这种工具有助于医生识别高风险患者,以便做出更好的治疗决策,不仅仅是血小板计数.
科学领域:
- 儿科血液学 儿科血液学
- 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:
- 目前儿童免疫性血小板缺血 (ITP) 的管理主要依赖于血小板计数,往往忽视出血严重程度.
- 现有的严重出血风险预测模型是为成年人设计的,不适合儿科ITP患者.
- 这项研究解决了针对免疫性血小板缩的儿科特异性风险评估工具的需求.
研究的目的:
- 开发和验证基于机器学习的风险预测模型,用于儿科免疫血小板缺血症 (ITP) 患者中度至重度出血.
- 确定与ITP儿童出血风险相关的关键临床因素.
- 为医疗保健提供者提供一个工具,以改善ITP管理的临床决策.
主要方法:
- 从286名儿科ITP患者收集前性数据.
- 随机将数据分为培训 (80%) 和测试 (20%) 集.
- 开发和验证使用 eXtreme梯度提升 (XGBoost) 与最小绝对收缩和选择运算符 (LASSO) 进行特征选择的预测模型.
- 使用沙普利增量解释 (SHAP) 的模型解释.
主要成果:
- 极端梯度增强 (XGBoost) 模型实现了高预测性能 (AUC = 0.886).
- 确定中度至严重出血风险的关键预测因素包括儿童年龄,诊断时的年龄和初始血小板计数.
- 该模型显示了临床应用的强大潜力,用于识别有风险的儿科ITP患者.
结论:
- 开发的基于XGBoost的预测模型在评估儿科ITP出血风险方面表现强.
- 该模型可以帮助临床医生识别高风险儿童,促进及时和适当的治疗策略.
- 这些发现支持将先进的机器学习工具集成到儿科血液学实践中,以改善患者的治疗结果.
