机器学习分类器使用血细胞计数参数和红素来预测红细胞瘤患者的JAK2突变

科学领域:

• 血液学 血液学 血液学
• 人工智能的人工智能
• 医学诊断 医学诊断 医学诊断

背景情况:

• 区分真菌多细胞血症与其他引起红细胞瘤的病因是一个诊断挑战.
• 虽然Janus kinase 2 (JAK2) 突变在多细胞真菌症中很常见,但由于这种情况很罕见,广泛测试是不切实际的.
• 确定最有可能从JAK2测试中受益的患者对于有效的资源配置至关重要.

研究的目的:

• 开发和验证一个人工智能 (AI) /机器学习 (ML) 分类器.
• 该分类器旨在利用血清参数和红蛋白蛋白水平预测红细胞瘤患者的JAK2突变状态.

主要方法:

• 利用来自退伍军人事务数据仓库的数据进行模型培训和验证.
• 包括JAK2结果和血红蛋白水平升高 (女性≥15g/dL,男性≥17g/dL) 的病例.
• 评估了31个模型,其中光梯度增强树木分类器被确定为表现最高的.

主要成果:

• 性能最好的ML分类器在非样本数据集上实现了100%的灵敏度和92.8%的特异性.
• 该模型显示,JAK2测试的潜在减少率为89%,显著超过基于规则的系统.
• 血小板计数,相对分布宽度和红蛋白素是该模型中的关键预测因素.

结论:

• 一个AI/ML分类器可以作为一个有效的决策支持工具,用于JAK2测试在多细胞患者.
• 这种方法提高了诊断的准确性,并优化了基因测试资源的利用.
• 机器学习为改善红细胞瘤的管理提供了一个有希望的途径.