机器学习模型用于预测子宫纤维瘤

科学领域:

• 生殖健康 生殖健康
• 医疗信息学 医疗信息学
• 医疗保健中的机器学习

背景情况:

• 子宫纤维瘤是常见的良性瘤,影响生育年龄的女性.
• 早期识别子宫纤维瘤风险对于及时干预和管理至关重要.
• 现有的风险评估工具可能无法充分利用例行健康检查数据.

研究的目的:

• 开发和验证子宫纤维瘤风险的预测模型.
• 评估五种机器学习算法的性能,以预测纤维瘤风险.
• 从例行体检数据中确定关键预测指标.

主要方法:

• 使用健康检查记录 (2013-2023) 和外部验证数据集 (2024) 的横截面研究.
• 开发和比较后勤回归,随机森林,k-最近邻居,CatBoost和光梯度增强机器模型.
• 用于特征选择的拉索回归和用于预测重要性分析的夏普利增量扩展.

主要成果:

• CatBoost模型实现了最高的预测性能,其AUC为0.808 (内部) 和0.821 (外部验证).
• 发现的关键预测因素包括年龄,体重指数,总胆固醇,透静血压和婚姻状况.
• 虽然该模型表现出良好的AUC,特异性和灵敏度,但其精度和准确性有限.

结论:

• 常规健康检查数据和CatBoost算法可以形成一个有效的早期查工具,用于子宫纤维瘤的风险.
• 该模型显示了识别需要进一步诊断评估的高风险个体的潜力.
• 需要进一步的多中心研究来提高概括性和优化预测性能.