开发一种可解释的集体学习模型,用于使用常规血液学参数在孕妇中检测甲血症
Qian Wang1, Xianning Dai1, Kai Xu1
1Department of Clinical Laboratory, Wenzhou People's Hospital, The Third Clinical Institute Affiliated to Wenzhou Medical University, Wenzhou, China.
Digital health
|November 17, 2025
概括
一个新的机器学习模型,Thal-classifier,使用完整的血清数据准确地识别孕妇的沙拉西米亚. 这种工具有助于早期检测,改善产前查和母胎健康结果.
科学领域:
- 血液学 血液学 血液学
- 医疗信息学 医疗信息学
- 遗传学 遗传学 是一个
背景情况:
- 在怀孕期间诊断血症是具有挑战性的,因为血液学参数发生了变化.
- 错误诊断可能导致严重的孕产妇和胎儿并发症.
- 基因检测是准确的,但成本高昂,并且无法用于广泛的查.
研究的目的:
- 开发和验证一种可临床解释的机器学习模型,用于检测孕妇的血病.
- 为了使用常规的全血细胞计 (CBC) 指示器进行查.
- 提供一个具有成本效益和可访问的诊断辅助.
主要方法:
- 对523名孕妇进行了回顾性研究.
- 使用Boruta算法进行特征选择;确定了八个预测特征.
- 通过包装和加权集成开发的整体机器学习模型 (Thal-classifier).
- 使用AUROC,AUPRC,精度,F1得分和MCC评估的性能.
主要成果:
- 泰尔分类器实现了高诊断性能 (AUROC 0.945交叉验证,0.899独立测试).
- 在多个指标上表现优于传统指数和现有模型.
- 红细胞分布宽度标准偏差 (RDW-SD) 和体质血红蛋白平均度 (MCHC) 是关键预测因素.
结论:
- 泰尔分类器提供了一个实用和可靠的工具,用于在孕妇人群中早期检测甲血病.
- 支持产前查和个性化临床决策.
- 提高怀孕期间遗传性贫血的管理.
