机器学习预测平斑的痕进展:一个多维模型整合三显镜,维生素D和诊断时间表
Khaled Seetan1, Almu'atasim Khamees2, Raghad Yousef Yassin3
1Department of Clinical Sciences, Faculty of Medicine, Yarmouk University, P.O Box 566, Irbid 21163, Jordan.
International journal of medical informatics
|September 21, 2025
概括
早期诊断和维生素D水平是控制状 (LPP) 进展的关键. 一个新的机器学习模型预测了LPP的进步,有助于主动治疗以获得更好的患者结果.
科学领域:
- 皮肤病学 皮肤病学
- 炎症性头发疾病 炎症性头发疾病
- 三学是指三学的学科.
背景情况:
- 平 (LPP) 是一种痕性脱发症,引起显著的痛苦.
- 预测LPP进展是很困难的,影响治疗决策.
- 目前的管理往往是反应性的,导致不可逆转的脱发.
研究的目的:
- 开发第一个基于机器学习的LPP进展风险评估模型.
- 确定疾病进展的临床,三光镜和免疫学预测因素.
- 为了使LPP患者的个性化风险分层成为可能.
主要方法:
- 对312名经活检确认的LPP患者 (2019-2024) 的回顾性队列研究.
- 疾病进展通过状状活动指数 (LPAI) 和头皮干扰来评估.
- 梯度增强机器学习与SHAP值用于识别进展预测器.
主要成果:
- 快速进展者 (28.5%) 具有较高的基线LPAI,诊断延迟>12个月,以及维生素D缺乏.
- 三眼镜严重程度>20/30预测快速进展,敏感度为82.4%.
- 该ML模型实现了92%的准确性,确定诊断延迟,三光镜严重程度和维生素D缺乏作为关键预测因素.
结论:
- 诊断延迟,维生素D缺乏和三眼镜严重程度是LPP进展的可修改预测因素.
- 经过验证的风险模型允许进行个性化评估和早期干预.
- 积极管理可以保护毛囊,改善患者的生活质量,降低医疗保健成本.
