机器学习和Shapley添加式解释价值整合用于预测抗N-甲基D-酸盐受体脑炎的预后:模型开发和评估研究
Jia Wang1, Haotian Wu2, Han Cai2
1Department of Gynecology, Third Affiliated Hospital of Sun Yat-sen University, 600 Tianhe Road, Tianhe District, Guangdong Province, Guangzhou, China, 86 85252237.
JMIR medical informatics
|September 22, 2025
概括
研究人员开发了一种机器学习模型,用于预测抗N-甲基-D-酸盐受体 (NMDAR) 脑炎患者的预后. 这种工具有助于为这种罕见的神经疾病制定个性化治疗策略.
科学领域:
- 神经学 神经学
- 人工智能的人工智能
- 医学预测 医学预测
背景情况:
- 抗N-甲基-D-酸盐受体 (NMDAR) 脑炎是一种罕见的自身免疫神经系统疾病.
- 对于NMDAR脑炎患者来说,缺乏准确的预后工具.
- 预测患者的结果对于有效的治疗策略至关重要.
研究的目的:
- 开发一种可解释的机器学习模型,用于NMDAR脑炎预后.
- 利用现实世界的临床数据进行个性化治疗指导.
- 创建一个帮助临床医生的决策工具.
主要方法:
- 140名NMDAR脑炎患者 (2015-2024) 的回顾性队列研究.
- 使用递归特征消除进行特征选择.
- 使用决策树,随机森林 (RF) 和极端梯度增强算法的模型开发.
- 使用沙普利增量解释 (SHAP) 的模型解释.
- 作为一个Web应用程序的部署.
主要成果:
- 一个随机森林 (RF) 模型在预后预测方面表现出高准确度 (R2=0.71).
- 确定的主要预测因素包括ICU入院,记忆力缺陷和尿酸水平.
- 该模型利用了从人口统计,临床,实验室和神经成像数据中选择的20个特征.
结论:
- 一个可解释的基于RF的NMDAR脑炎的预后模型已成功开发和验证.
- 网络部署的工具有助于实时的风险分层.
- 这有助于临床医生做出明智的决策,并个性化患者治疗.
