整合学习驱动的混合预测模型,以改善产前唐氏综合征查:用实验室中位方程进行比较研究
Liping Hu1, Minglin Xu1, Yuqin Li2
1Department of Laboratory Medicine, Xiamen Chang Gung Hospital Hua Qiao University, Xiamen 361028, PR China.
概括
使用合体学习 (EL) 的新混合预测模型 (HyPred) 显著改善了产前唐氏症.
科学领域:
- 遗传学和基因组学 遗传学和基因组学
- 计算生物学 计算生物学
- 孕产妇和胎儿医学 孕产妇和胎儿医学
背景情况:
- 对唐氏综合征 (DS) 的产前查对于早期检测和管理至关重要.
- 现有的选方法,如基于实验室的中位方程,在准确性和适应性方面存在局限性.
- 集成先进的计算技术为增强预测性能提供了潜力.
研究的目的:
- 开发和验证用于产前唐氏综合征 (DS) 查的混合预测模型 (HyPred).
- 利用集体学习 (EL) 技术,包括极端梯度提升,平衡随机森林和梯度提升机,以改善预测.
- 将HyPred的性能与传统的基于实验室的中位方程进行比较.
主要方法:
- 对8363个第一季度样本进行回顾性分析,用于模型培训 (2019年11月-2022年8月).
- 验证使用1943个独立的第一季度样本 (2022年9月至2023年7月).
- 在R中开发HyPred模型,将其灵敏度,特异性和其他性能指标与基于实验室的中位方程进行比较.
主要成果:
- 基于实验室的中位方程证明了与默认方程相比,查性能有所改善.
- 合体学习 (EL) 模型HyPred在验证集中表现出卓越的性能,显示出更高的准确性,稳定性和适应性.
- HyPred实现了0.97的曲线下的面积 (AUC),超过了关键绩效指标的中位方程.
结论:
- 整体学习 (EL) 模型为产前唐氏综合征 (DS) 查提供了更高的准确性和稳定性.
- 虽然计算密集,但现代工具可以优化EL模型的临床应用.
- 这种方法支持精准医学,使得更多的定制和有效的产前查策略成为可能.
