从具有红细胞指数和参数的异质群体中检测β-血病特征

科学领域:

• 血液学 血液学 血液学
• 医学诊断 医学诊断 医学诊断
• 生物信息学是一种生物信息学.

背景情况:

• 印度的β-thalassemia特征 (βTT) 患病率很高,约有4200万个人受到影响.
• 现有的查方法在混杂人群中难以区分βTT与缺铁性贫血 (IDA) 和其他血红蛋白变体,如血红蛋白E (HbE).
• 准确的歧视对于有效的疾病控制和预防计划至关重要.

研究的目的:

• 评估和比较各种歧视公式和机器学习算法的性能,以分离βTT,IDA,HbE和正常受试者 (NS).
• 开发一个强大的和可解释的查策略,用于混合血红蛋白病患者群体.

主要方法:

• 使用2877名受试者的数据集,对25种歧视公式和4种机器学习算法 (MLP,NCA,XGBC,SKR) 的性能评估.
• 选择高性能模型进行进一步分析,包括使用SHAP进行解释性评估.
• 使用SKR算法开发四个规则,用于区分血红蛋白病变体.

主要成果:

• 没有一个单一的公式在所有指标上实现了高性能;不同的公式在灵敏度,特异性和预测值方面表现出色.
• 机器学习算法,特别是SKR和XGBC,在异质数据集上表现稳定,表现优于传统公式.
• 拟议的选方案在验证数据集上实现了高准确性 (97.33-97.62%).

结论:

• XGBC和SKR算法对血红蛋白病的多类分类是有效的,在混合种群中提供稳定的性能.
• 制定的规则为预先选个人提供了一个潜在的解决方案,使可持续,成本有效和资源高效的选计划成为可能.