通过集体机器学习改善乙型肝炎结果预测:对预测模型和可解释性的研究
Abid Bin Ahosan1, Forhadul Islam1, Khandaker Mohammad Mohi Uddin2
1Department of Computer Science and Engineering, Dhaka International University, Dhaka, Bangladesh.
Digital health
|June 19, 2025
概括
机器学习准确预测B型肝炎病毒 (HBV) 患者的结果. 结合支持矢量机和物流回归等模型,准确度提高到95%,帮助制定更好的患者护理策略.
科学领域:
- 医疗信息学 医疗信息学
- 计算生物学 计算生物学
- 公共卫生 公共卫生
背景情况:
- 乙型肝炎病毒 (HBV) 感染对全球健康构成重大挑战,导致肝硬化和肝癌等严重肝病.
- 早期诊断和干预至关重要,特别是在资源有限的地区,以减少HBV的影响.
- 预测建模可以提高患者管理和HBV感染的结果.
研究的目的:
- 评估各种机器学习 (ML) 技术的有效性,以预测B型肝炎病毒 (HBV) 感染患者的结果.
- 确定与HBV患者死亡相关的关键风险因素.
- 提高用于HBV结果预测的ML模型的可解释性.
主要方法:
- 使用Chi-平方测试进行了特征选择.
- 使用合成少数人过量采样技术 (SMOTE) 来解决阶级不平衡问题.
- 机器学习模型包括支持向量机 (SVM),后勤回归 (LR) 和投票分类器进行了训练和评估. 使用SHAP和LIME增强了模型的解释性.
主要成果:
- 单个模型,支持矢量机 (SVM) 和后勤回归 (LR),实现了92.5%的准确性.
- 结合SVM和LR的投票分类器将预测准确度提高到95%.
- 某些风险因素的升高水平,特别是在老年人中,与死亡风险增加有显著的关联.
结论:
- 机器学习模型在预测HBV患者结果方面表现出很高的准确性.
- 这些发现强调了特定风险因素和患者年龄在预后确定中的重要性.
- 这些预测性见解可以为管理HBV感染的临床决策和公共卫生策略提供信息.
