在基于机器学习的错误血液在管中的错误检测中分析重要性分析,使用完整的血液计数数据

科学领域:

• 实验室医学 实验室医学
• 临床病理学 临床病理学
• 医疗信息学 医疗信息学

背景情况:

• 输入管中的错误血液 (WBIT) 是实验室医学中一个重要的预分析错误.
• 目前的检测方法有局限性,导致未被检测到的错误标签错误.
• WBIT损害了患者的安全和诊断准确性.

研究的目的:

• 评估随机森林模型在检测 WBIT 错误方面的有效性.
• 为了确定最重要的全血细胞计 (CBC) 分析物用于WBIT检测.
• 开发一种基于机器学习的实用和可解释的解决方案,用于WBIT识别.

主要方法:

• 来自德国一家三级医疗中心的799,721名患者样本的分析.
• 随机森林模型的开发,使用对联样本之间的每分析差异.
• 在各种CBC分析子集中使用F1得分,AUC,灵敏度和PPV的模型的评估.
• 使用SHAP,排列和杂质减少方法评估分析物的重要性.

主要成果:

• 仅使用三种CBC分析物 (MCV,RDW,MCH) 的模型,F1得分超过90%.
• 模型性能在六个以上的分析物中停滞不前,这表明使用最小输入的效率.
• MCV和RDW始终被确定为WBIT检测中最重要的分析剂.
• 可解释的决策边界在二维和三维中被可视化.

结论:

• 强大的WBIT检测是可行的,使用一小组CBC分析剂.
• 机器学习为WBIT错误检测提供了一个实用,可解释和可概括的解决方案.
• 这种方法可以在各种临床实验室环境中实施,以提高患者的安全性.