基于最佳特征选择的可解释机器学习模型,用于识别轻度创伤性脑损伤患者的CT异常

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的机器学习
• 临床决策支持系统 临床决策支持系统

背景情况:

• 轻微的头部创伤是急诊室访问的常见原因.
• 准确预测轻度创伤性脑损伤 (mTBI) 与异常脑损伤对于适当的CT扫描使用至关重要.
• 尽量减少辐射暴露和确保及时治疗是mTBI管理的关键目标.

研究的目的:

• 开发和验证可解释的机器学习 (ML) 模型,用于预测mTBI患者的CT异常.
• 利用常规实验室数据来指导CT扫描利用的临床决策.
• 为了提高mTBI诊断的准确性和效率.

主要方法:

• 一项多中心研究,涉及1196名mTBI患者的回顾性和前性队列.
• 在入院后24小时内从电子医疗记录中收集51个常规临床实验室特征.
• 培训和验证七个ML算法,使用SHapley添加式扩展 (SHAP) 和决策曲线分析 (DCA) 进行特征选择和解释.

主要成果:

• 梯度增强分类器 (GBC) 模型实现了高预测性能 (AUC 0.932 在导出中,0.926 内部,0.904 外部验证).
• 使用21个关键实验室特征的优化GBC模型在前性验证 (AUC 0.885) 中超过了传统生物标志物GFAP和PGP9.5.
• SHAP分析确定了D-二聚体,淋巴细胞计数,中性粒细胞计数和血红素计数作为CT异常的显著预测因素.

结论:

• 使用常规实验室数据的可解释的ML模型可以准确预测mTBI患者的CT异常.
• 开发的模型提供了显著的临床净益,支持对CT扫描使用的知情决策.
• 这种方法提高了诊断准确度,减少了不必要的辐射暴露,并改善了mTBI患者的护理途径.