基于机器学习的个性化临床评估推系统

科学领域:

• 机器学习 机器学习
• 临床决策支持 临床决策支持
• 个性化医疗是个性化的医疗.

背景情况:

• 传统的临床评估缺乏个性化,可能缺少关键的早期诊断见解.
• 标准化程序可能无法满足患者的各种需求,尤其是在疾病早期阶段.
• 个性化诊断可以显著有利于患者的结果.

研究的目的:

• 开发一种机器学习框架,用于临床评估中的个性化特征选择.
• 通过根据患者个体特征量身定制特征选择,提高诊断准确度.
• 为改善临床决策解决个性化的特征添加问题.

主要方法:

• 开发了个性化临床评估推系统 (iCARE).
• iCARE使用局部加权后勤回归和沙普利增量解释 (SHAP) 来进行个性化的特征选择.
• 在合成和现实数据集 (糖尿病风险,心力衰竭) 上评估性能,并与使用准确度和AUC指标的全球方法进行比较.

主要成果:

• 在数据集中,iCARE显著提高了预测准确度和AUC,这些数据集的特征具有明显的预测能力 (例如,合成数据集1-3,早期糖尿病).
• 对于合成数据集1,iCARE实现了0.999准确度和1,000 AUC,大大超过了全球方法 (0.689准确度,0.639 AUC).
• 与其他方法相比,在早期糖尿病和心脏病数据集中观察到iCARE的精度和AUC提高了6-12%.

结论:

• 该iCARE框架有效地提供个性化的功能建议,在关键场景中提高诊断准确性.
• 通过利用个性化的患者数据,iCARE提高了医疗诊断的准确性和有效性.
• 当患者特征提供独特的预测见解,支持量身定制的临床评估时,该系统证明了价值.