整合炎症生物标志物和人口变量与机器学习来预测子宫内膜异位症风险
Xiaoxuan Liu1,2,3,4,5, Ran An6, Guoyun Wang7,8,9,10
1Department of Obstetrics and Gynecology, Shandong Provincial Hospital, Shandong University, Jinan, 250000, Shandong, China.
Scientific reports
|November 27, 2025
概括
这项研究使用炎症生物标志物和人口统计数据开发了对子宫内膜异位症风险的预测模型. 机器学习识别了关键预测因素,通过例行血液检查实现了潜在的早期诊断.
科学领域:
- 生殖健康 生殖健康
- 生物标志物研究的研究.
- 机器学习在医学中的应用
背景情况:
- 对子宫内膜异位症的诊断往往是延迟的.
- 炎症过程与子宫内膜异位症有关.
- 预测模型可以帮助早期检测.
研究的目的:
- 探索炎症生物标志物与子宫内膜异位症风险之间的关系.
- 开发和验证基于机器学习的子宫内膜异位症预测模型.
- 确定子宫内膜异位症风险的主要人口和血液学预测因素.
主要方法:
- 利用国家健康和营养检查调查 (1999-2006) 数据从4089名女性.
- 开发了一种包含SHAP分析的渐变增强 (XGBoost) 机器学习模型.
- 包括变量:年龄,种族,单细胞百分比 (MONO%),血小板计数 (PLT),BMI,PAR,NPAR,LMR和教育.
主要成果:
- XGBoost模型显示出对子宫内膜异位症风险的优秀分类能力.
- 通过SHAP分析确定的关键预测因素包括年龄,种族,MONO%,PLT,BMI,PAR,NPAR,LMR和教育.
- 为实时风险预测创建了一个互动的基于Web的工具.
结论:
- 将人口统计数据与炎症生物标志物结合起来,有望改善子宫内膜异位症的早期诊断.
- 非侵入性,具有成本效益的血液检查可能会减少诊断延迟.
- 需要在不同人群中进行进一步的验证,以确认该模型的通用性和临床实用性.
