一种机器学习方法,用于对南亚和东亚人口红细胞参数的参考间隔估计
Veera Sekaran Nadarajan1, Pavai Sthaneshwar2, Jia Qi Lim3
1Department of Preclinical Sciences, Faculty of Medicine and Health Sciences, University Tunku Abdul Rahman, Kajang, Selangor, Malaysia.
Annals of laboratory medicine
|July 3, 2025
概括
机器学习通过排除缺铁和血红蛋白病变来准确估计红细胞参数参考间隔. 这种间接方法提供了与直接方法可比的结果,提高了准确性,并允许特定年龄和性别的范围.
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
- 医疗保健中的机器学习
背景情况:
- 铁缺乏和血红蛋白病在东南亚很常见,这使得对红细胞参数的准确参考区间 (RI) 估计变得复杂.
- 从参考群体中排除受影响的个体是直接确定RI的挑战.
- 机器学习为间接RI估计提供了一个潜在的解决方案.
研究的目的:
- 开发和验证用于间接估计红细胞参数参考区间的机器学习模型.
- 为了提高基准区间的准确性,在铁缺乏和血红蛋白病的流行率高的人群中.
- 为了能够生成特定于性别和年龄的参考范围.
主要方法:
- 开发了一种 eXtreme Gradient Boosting (XGB) 二元分类模型,以区分正常人与贫血患者.
- 在完整血清 (CBC) 数据集上训练并验证了XGB模型.
- 使用refineR算法对XGB模型预测为正常的个体子集估计的参考间隔 (RIs).
主要成果:
- XGB模型在区分正常和异常CBC结果方面表现出高准确度 (AUC0.97).
- 约62.9%的独立数据集被预测为正常,允许间接RI估计.
- 使用XGB和refineR的间接衍生的参考限值 (RL) 接近直接衍生的RL,特别是血红素,血红蛋白和红细胞计数.
结论:
- 结合XGB和refineR提供了一个准确的间接方法来导出红细胞参数参考间隔.
- 这种方法的结果与直接方法相美,并克服了排除铁缺乏症和血红蛋白病症患者的挑战.
- 间接方法有助于建立特定于性别和年龄的参考范围,这些参考范围很难直接获得.
