基于机器学习的诊断模型的开发,使用血液学参数来区分围膜性乳腺炎和颗粒状叶状乳腺炎

科学领域:

• 医学研究 医学研究
• 临床诊断 临床诊断 临床诊断
• 机器学习在医疗保健中的应用

背景情况:

• 非puerperal乳腺炎 (NPM) 包含周周乳腺炎 (PDM) 和粒状叶状乳腺炎 (GLM).
• PDM和GLM具有相似的临床表现,这使得准确的诊断变得复杂.
• 需要可靠的诊断模型来区分PDM和GLM.

研究的目的:

• 开发和验证一个用于区分PDM与GLM的预测模型.
• 确定区分这些NPM亚型的关键血液学参数.
• 提高诊断准确度,减少NPM患者的误诊.

主要方法:

• 从120名患者 (60名PDM,60名GLM) 的实验室数据回顾性收集.
• 数据分为培训 (80%) 和测试 (20%) 集;与20名NPM患者进行外部验证.
• 评估五种机器学习算法,根据测试组的曲线下面面积 (AUC) 选择最好的.

主要成果:

• 后勤回归模型确定了RDW,平均血小板体积,C4,IFN-γ,PT和DD作为关键的差异化变量.
• 该模型的AUC值为0.827 (训练) 和0.807 (测试).
• 在训练和测试组中,准确性,敏感性和特异性都超过了0.7,外部验证的AUC为0.750.

结论:

• 一个强大的血液学模型有效地区分了PDM和GLM.
• 该模型有助于早期和准确诊断非乳腺乳腺炎亚型.
• 这些发现有助于临床决策,并减少误诊率.