开发一种机器学习算法,以预测大瘤学队列中血清酸盐的异常

科学领域:

• 在瘤学瘤学.
• 生物化学 生物化学
• 医疗保健中的机器学习

背景情况:

• 血清酸盐水平在瘤学中至关重要,因为它们与癌症及其治疗有关.
• 包括血清酸盐在内的标准化订单套 (SOS) 是常规给瘤患者的.
• 预测酸盐异常可以优化诊断工作流程.

研究的目的:

• 开发一种机器学习算法 (MLA) 来预测异常血清酸盐水平.
• 为了确定标准化顺序集 (SOS) 中的其他变量是否可以预测酸盐异常.
• 评估减少瘤患者不必要的酸盐检测的潜力.

主要方法:

• 一位XGBoost MLA使用Python对45,174名瘤病人的481,150个测试结果 (2019年1月至2021年12月) 进行了培训.
• 该模型根据其他SOS变量预测了异常酸盐 (<0.5或>1.78 mmol/L).
• 使用了70%/30%的火车/测试分割,随后在单独的队列上进行验证 (2022年1月至2023年12月).

主要成果:

• 在测试组中,MLA实现了0.866的接收机操作器曲线下的面积.
• 实施该模型可以将酸盐测试减少50%以上 (从142,647减少到67,873),捕获92.4%的异常结果.
• 该模型表现出高灵敏度 (0.924) 和特异性 (0.530),缺失异常结果的风险最小 (<0.1%).

结论:

• 开发了一种高度敏感的MLA来优化酸盐在瘤学中的测试.
• 这种MLA的应用可能会带来显著的成本节约和改善医疗保健效率.
• 该方法可适应在标准化顺序集内预测其他相互关联的变量.