可解释的机器学习模型,用于预测单边突然的神经感应性听力损失中的听力恢复
Jueting Wu1, Ruru Chen2, Yaxuan Liu3
1The First Affiliated Hospital of Guangxi Medical University, Department of Otolaryngology-Head and Neck Surgery, Nanning, Guangxi, China; Department of Otolaryngology-Head and Neck Surgery, Lishui Hospital of Wenzhou Medical University, The First Affiliated Hospital of Lishui University, Lishui People's Hospital, Lishui, Zhejiang 323000, China.
这项研究开发了一种可解释的机器学习模型,以预测突然感觉神经听力损失 (SSNHL) 的预后. 该模型准确地确定了影响听力恢复的关键因素,有助于临床决策.
科学领域:
- 耳鼻喉科 耳鼻喉科 耳鼻喉科
- 医疗信息学 医疗信息学
- 机器学习 机器学习
背景情况:
- 突然感觉神经听力损失 (SSNHL) 的预后是可变的,受到许多因素的影响.
- 准确预测SSNHL结果对于有效的患者管理和康复至关重要.
研究的目的:
- 开发一个可解释的机器学习 (ML) 模型来预测SSNHL预后.
- 确定易于获得的特征,这些特征会显著影响SSNHL患者的听力恢复.
主要方法:
- 这是一项双中心回顾性研究,涉及534名SSNHL患者.
- 使用单变量分析和LASSO回归的特征选择.
- 开发和评估五个ML模型,使用AUC,准确性,特异性,灵敏性和F1分数,并使用SHAP进行解释性.
主要成果:
- 随机森林 (RF) 模型实现了0.998的AUC,具有高精度 (0.981),灵敏度 (0.963),特异性 (0.989) 和F1得分 (0.967).
- 确定的主要预测特征包括听力损失程度,听力图类型,年龄,平均体积 (MCV),治疗间隔的开始和血清白蛋白 (ALB).
结论:
- 一个可解释的ML模型在预测SSNHL听力结果方面表现出色.
- SHAP方法为功能贡献提供了宝贵的见解,帮助临床医生了解听力恢复驱动因素并指导听力康复.
更多相关视频
07:13Modified Experimental Conditions for Noise-Induced Hearing Loss in Mice and Assessment of Hearing Function and Outer Hair Cell Damage
Published on: February 10, 2023
06:27Simple Surgical Induction of Conductive Hearing Loss with Verification Using Otoscope Visualization and Behavioral Clap Startle Response in Rat
Published on: October 26, 2019
