提高基于TSH的先天性甲状腺功能低下症查,使用机器学习和重新采样算法

科学领域:

• 医学查 医学查
• 机器学习应用程序 机器学习应用程序
• 新生儿健康新生儿健康

背景情况:

• 遗传性甲状腺功能低下症 (CH) 是可预防的智力障碍的主要原因.
• 目前的新生儿胆固醇查依赖于甲状腺刺激激素 (TSH),面临着具有较低积极预测值 (PPV) 的挑战.
• 以前用于CH选的机器学习尝试受到数据不平衡和有限的预测特征的阻碍.

研究的目的:

• 对机器学习算法进行综合评估,以对先天性甲状腺功能低下症进行查.
• 解决目前基于TSH的选方法的局限性,特别是低PPV.
• 开发一个更准确,更有效的查模型CH.

主要方法:

• 分析了2019年至2024年期间查的616,910名婴儿的数据.
• 培训和评估576个不同的机器学习模型,使用12个分类和12个重新采样算法.
• 通过分层5倍交叉验证优化灵敏度和PPV,并通过SHAP值评估模型可解释性.

主要成果:

• 使用高斯噪声重新采样的RUSBoost分类器实现了100%的灵敏度和16.8%的PPV.
• 与目前的查方法相比,这代表了PPV的60%的改善.
• TSH仍然是主要的预测因素,但该模型包含了额外的功能来提高性能.

结论:

• 机器学习模型表明没有错过的CH病例,并且显著改善了查性能.
• 这些算法为改进基于TSH的CH查提供了一个有希望的替代方案.
• 这些发现表明,在全球新生儿查计划中,有可能减少虚假阳性,压力和成本.