机器学习模型预测献血后铁的恢复:一个模型开发和外部验证研究
Wanjin Li1, Chen-Yang Su2, Amber Meulenbeld3
1Department of Epidemiology, Biostatistics and Occupational Health, McGill School of Population and Global Health, Montréal, Canada.
The Lancet. Haematology
|May 30, 2025
概括
机器学习模型准确地预测了献血者的血红蛋白和费里丁水平. 这些模型可以帮助管理缺铁和预防延期,确保稳定的血液供应.
科学领域:
- 生物医学信息学 生物医学信息学
- 血液学 血液学 血液学
- 机器学习 机器学习
背景情况:
- 铁缺乏是献血者关注的一个问题,可能导致延期.
- 机器学习模型可以预测捐赠后的铁生物标志物,以管理缺陷.
- 这些预测模型缺乏国际验证.
研究的目的:
- 开发和外部验证机器学习模型.
- 为了预测返回的献血者的血红蛋白和费里丁水平.
- 评估模型在各种国际环境中的通用性.
主要方法:
- 使用回顾性献血数据 (美国RISE研究) 开发模型.
- 在国际队列 (美国,南非,荷兰) 上进行外部验证的模型.
- 使用的常见捐赠者数据:捐赠史,人口统计数据,基线铁生物标志物.
主要成果:
- 模型在数据集 (RMSPE ≤8%) 中预测血红蛋白方面表现一致.
- 使用基线费里数据 (RISE RMSPE 14.9%) 预测费里的准确性更高.
- 外部验证证明了对血红蛋白预测的强烈概括性.
结论:
- 预测血红蛋白和费里丁的机器学习模型是有效的.
- 这些模型在各种国际献血环境中很好地概括.
- 可以实现铁缺乏症的个性化管理,支持血液供应.
更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.9K
07:13Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model
Published on: April 18, 2025
201
