通过对体检指标的机器学习分析来早期检测G2SCH
Xiying Huang1, Ruizi Lin2, Yixin Xiao3
1Department of Lab Medicine, The Second Affiliated Hospital Zhejiang University School of Medicine, Hangzhou, Zhejiang, China.
NPJ digital medicine
|November 12, 2025
概括
一个新的机器学习模型使用常规体检数据预测2级亚临床甲状腺功能低下症 (G2SCH). 这使得G2SCH的早期检测和治疗成为可能,改善了患者的治疗结果.
科学领域:
- 内分泌学和新陈代谢学
- 人工智能在医学中的应用
- 医疗信息学 医疗信息学
背景情况:
- 2级亚临床甲状腺功能低下症 (G2SCH) 具有显著的疾病风险,但往往是晚诊断.
- 早期发现G2SCH对于及时干预和预防疾病至关重要.
研究的目的:
- 开发和验证一种机器学习 (ML) 模型,用于使用常规体检数据预测G2SCH.
- 为了能够主动识别和管理面临G2SCH.风险的个人.
主要方法:
- 从体检中利用了大量数据集 (57,539培训,33,880测试样本) 来进行体检.
- 采用特征选择 (LASSO) 和五个ML算法,使用SMOTENC进行优化.
- 使用曲线下的面积 (AUC),灵敏度和特异性评估模型性能.
主要成果:
- 后勤回归模型,LASSO特征选择和SMOTENC平衡,显示出强大的预测能力.
- 在预测中,AUC达到0.870,灵敏度为86.8%,特异性为70.8%.
- 沙普利添加物扩张 (SHAP) 分析提供了关于特征重要性的见解.
结论:
- 一个高性能ML模型用于G2SCH预测,使用现有的体检数据成功开发出来.
- 这种模式促进了G2SCH患者的早期转诊和适当治疗.
- 这些发现支持将ML工具整合到常规医疗保健中,用于内分泌疾病查.
