来自医院实验室大数据的肝酶参考间隔估计的机器学习集群方法

科学领域:

• 临床生物化学 临床生物化学
• 数据科学数据科学数据科学
• 医学诊断 医学诊断 医学诊断

背景情况:

• 确定肝酶的准确参考间隔对于临床诊断至关重要.
• 传统的RI测定方法可能无法完全解释大数据集中的种群异质性.
• 无监督机器学习为分析复杂实验室大数据提供了新的方法.

研究的目的:

• 确定阿斯巴酸胺转酶 (AST) 和氨酸转移酶 (ALT) 的临床有效参考间隔 (RIs).
• 将无监督机器学习集群和强大的异常值检测应用于真实世界的实验室大数据.
• 为了更精确的RI估计,在数据中识别同质子组.

主要方法:

• 结合了四种异常值检测方法和四种集群算法.
• 将这些组合应用于大规模的现实实验室数据.
• 估计RIs使用百分点切断距离从最大的确定均集群.
• 使用验证数据评估性能.

主要成果:

• DBSCAN与Tukey's Fences或Local Outlier Factor相结合显示出最佳性能,覆盖了100%的验证数据.
• 当地异常值因子产生了最宽的参考间隔.
• 隔离森林导致了最窄的间隔.
• 据估计,AST的RI为15-41U/L,ALT为11-46U/L.

结论:

• 机器学习和强大的异常值检测有效地识别子组,以准确确定RI.
• 拟议的方法为AST和ALT提供了更新的,数据驱动的参考间隔.
• 这些新的RI可以提高肝酶测试的临床实用性.