识别和验证一种用于预测严重的骨盆内膜异位症的新型机器学习模型:一项回顾性研究

科学领域:

• 妇科 妇科 妇科 妇科
• 医疗信息学 医疗信息学
• 计算生物学 计算生物学

背景情况:

• 子宫内膜异位症影响了大量女性,严重病例带来了重大的健康挑战.
• 识别严重子宫内膜异位症的危险因素对于及时诊断和有效管理至关重要.
• 目前严重子宫内膜异位症的诊断和预测方法需要进一步改进.

研究的目的:

• 探索与严重子宫内膜异位症相关的潜在风险因素.
• 使用机器学习算法开发和验证严重子宫内膜异位症风险的预测模型.
• 解释开发的模型,以了解每个风险因素的贡献.

主要方法:

• 分析了308名被诊断为子宫内膜异位症的患者的数据.
• 应用最小绝对收缩和选择运营商 (LASSO) 进行风险因素识别.
• 开发和比较七个机器学习 (ML) 算法用于预测建模.
• 使用夏普利添加式解释 (SHAP) 来实现模型的解释性.

主要成果:

• 在59.2%的分析患者中诊断出严重的子宫内膜异位症.
• 随机森林 (RF) 模型表现出最佳性能,曲线下的面积 (AUC) 为0.744.
• 建立了一个具有六个关键特征的优化射频模型,其中"负滑动符号"被确定为最具影响力的因素.

结论:

• 该研究成功开发了一种可解释的机器学习模型,用于预测严重子宫内膜异位症风险.
• 这些发现使个性化风险评估成为可能,这可能导致更早地识别高风险个体.
• 这种方法有助于及时干预和优化严重子宫内膜异位症的治疗策略.