在机器学习模型中平衡准确性和成本,以检测慢性病中中枢血管化:试点研究

科学领域:

• 生物医学工程 生物医学工程
• 腎臟病學 (nephrology) 是一種醫學.
• 数据科学数据科学数据科学

背景情况:

• 中枢血管化 (mVC) 是慢性病 (CKD) 中心血管风险的关键指标.
• 对于mVC来说,具有成本效益的诊断工具至关重要,特别是在CKD群体中.
• 机器学习 (ML) 提供了在疾病检测中整合多个生物标志物的潜力.

研究的目的:

• 评估ML模型的成本效益,以检测CKD患者的mVC.
• 通过使用传统和循环生物标志物来确定mVC的关键预测因素.
• 为了比较不同ML分类框架的性能和成本影响.

主要方法:

• 一项试点研究涉及152名接受活体捐赠移植的慢性病患者.
• 使用了五个具有自动变量选择的ML分类框架.
• 分析的重点是传统的风险标志物和循环生物标志物 (例如,可佩,胆,骨质保护素).

主要成果:

• 年龄和可佩一直被确定为mVC的显著预测因子.
• 包含更多功能的模型只显示了边际精度改进 (高达3%),但成本显著增加.
• 增量成本效益比率揭示了模型性能和相关费用之间的差异.

结论:

• 机器学习模型显示,在mVC检测和识别新生物标志物的成像中补充成像是有希望的.
• 在选择机器学习模型时,应优先考虑成本效益与性能指标.
• 从复杂的ML模型中获得适度的准确性收益可能无法证明它们更高的实施成本.