预测机器学习模型用于选缺铁而没有贫血:一个回顾性队列研究
Orly Efros1,2,3, Shelly Soffer2,4, Aya Mudrik5
1National Hemophilia Center and Institute of Thrombosis & Hemostasis, Chaim Sheba Medical Center, Tel Hashomer, Israel orlyefros@gmail.com.
BMJ open
|August 13, 2025
概括
一个机器学习 (ML) 模型有效地使用电子健康记录 (EHR) 数据预测没有贫血的铁缺乏症 (IDWA). 这种工具有助于早期检测IDWA,改善患者的治疗结果.
科学领域:
- 生物医学信息学是生物医学信息学.
- 临床数据科学临床数据科学
- 在医疗保健中的预测建模.
背景情况:
- 没有贫血的缺铁 (IDWA) 是一种常见的疾病,可能是缺铁性贫血的前身.
- 早期发现IDWA对于及时干预和预防并发症至关重要.
- 使用常规收集的电子健康记录 (EHR) 数据为人口层面的查提供了可扩展的方法.
研究的目的:
- 开发和验证一种机器学习 (ML) 模型,用于使用EHR数据预测IDWA.
- 评估ML模型在识别非贫血患者中低费里水平 (<30 ng/mL) 的准确性.
- 将ML模型的性能与传统方法进行比较,并评估其在临床环境中的实用性.
主要方法:
- 使用来自211,486名成年患者的EHR数据进行了一项回顾性队列研究.
- 使用极端梯度增强的决策树ML算法来预测低费里水平.
- 该模型利用了人口统计数据,完整血清指数和化学结果.
主要成果:
- ML模型实现了0.814的曲线下面积 (AUC),优于仅基于全血细胞计指数 (AUC0.741) 的模型.
- 该模型显示灵敏度为70%,特异性为75.85%,正预测值为37.6%,负预测值为92.41%.
- 各个子组的表现各不相同,在男性和绝经后妇女中,与绝经前妇女相比,观察到的准确性更高.
结论:
- 开发的ML模型有效地使用易于获得的EHR数据对IDWA进行选.
- 在临床实践中实施这种ML工具可以促进IDWA的早期诊断.
- 这种方法有望改善非贫血个体的铁缺乏症管理.
