一项关于机器学习模型在肝炎预测方面的有效性研究

科学领域:

• 肝病学和医学信息学
• 医疗保健中的机器学习

背景情况:

• 肝炎对全球健康造成重大负担,死亡率高.
• 早期预测肝炎的结果对于有效管理和改善公共卫生至关重要.
• 当前的诊断和治疗进步需要增强的预测能力.

研究的目的:

• 应用先进的机器学习 (ML) 算法来预测肝炎的结果.
• 通过特征选择技术识别肝炎生存的关键预测因素.
• 为了比较各种ML模型在肝炎预测结果中的有效性.

主要方法:

• 使用来自UCI存储库的肝炎数据集 (155名参与者,20个属性).
• 采用Boruta算法来进行特征选择,识别,水,胆红素,年龄,蜘蛛和酸盐作为关键预测因素.
• 评估了后勤回归 (LR) 和六种ML模型:SVM,KNN,ANN,RF,AdaBoost和XGBoost,使用准确度,精度,灵敏度和F1分数.

主要成果:

• 随机森林 (RF) 模型实现了最高的准确性 (92.42%),精度 (96.77%) 和F1得分 (96.00%).
• 博鲁塔算法识别的关键预测因素包括,水,胆红素,年龄,蜘蛛和酸.
• 虽然RF显示了高精度和灵敏度,但其特异性为33.33%;AdaBoost实现了最高的特异性 (95.65%) 但最低的灵敏度 (50.00%).

结论:

• 随机森林模型与Boruta特征选择相结合,是预测肝炎结果的最有效分类器.
• 基于ML的肝炎存活率预测可以显著提高医疗保健服务,减少传染病的影响.
• 这些发现支持可持续发展目标3.3,提供了打击肝炎等流行病的工具.