评估各种机器学习解决方案的性能,以管理和利用interleukin-6测试请求
Emel Çolak Samsum1, Mehmet Şeneş2
1General Directorate of Health Services, Department of Analysis and Diagnostic Servıces, T.C. Ministry of Health, Çankaya, 06800, Ankara, Turkey.
Computers in biology and medicine
|August 19, 2025
概括
机器学习模型使用常见的血液检测准确预测介质素-6 (IL-6) 测试结果. 这种方法可以帮助减少不必要的IL-6测试,并提高医疗保健的效率.
科学领域:
- 生物医学信息学 生物医学信息学
- 临床化学 临床化学
- 医疗保健中的机器学习
背景情况:
- 干白素-6 (IL-6) 测试对于诊断和监测各种疾病至关重要.
- 不适当的IL-6测试请求可能会导致医疗保健成本增加和资源利用.
- 预测模型可以帮助优化测试订单实践.
研究的目的:
- 开发和评估用于预测IL-6测试结果的机器学习 (ML) 模型.
- 支持管理不合适的IL-6测试请求.
- 从例行实验室测试中识别关键预测特征.
主要方法:
- 追溯分析了4142名患者的IL-6,C反应蛋白 (CRP) 和血液图数据记录.
- 使用皮尔森相关性,VIF,Boruta和RFE的特征选择确定了9个显著变量,包括CRP,血红蛋白 (HGB) 和中性粒细胞数量 (NEU).
- 六个ML模型使用标准化数据和SMOTE训练了类不平衡,基于准确性和其他指标进行评估.
主要成果:
- 随机森林模型展示了最高的性能,精度为0.87和灵敏度为0.87.
- 支持向量机和XGBoost模型也表现出强的性能 (精度为0.83-0.87).
- 这些模型有效地根据常规测试结果预测IL-6的阳性/阴性.
结论:
- 使用易于获得,低成本的常规测试的ML模型可以准确预测IL-6测试状态.
- 这些预测模型提供了一种潜在的策略,以减少不适当的IL-6测试请求率.
- 这些模型的实施可以提高诊断效率和临床环境中的资源配置.
