开发基于机器学习的风险预测模型,用于早期肺结核病的风险预测:一项回顾性研究

科学领域:

• 职业医学 职业医学是专业的.
• 生物标志物 生物标志物
• 医疗保健中的机器学习

背景情况:

• 职业肺结核病诊断需要改进预测模型.
• 早期检测对于及时干预和更好的患者结果至关重要.

研究的目的:

• 查常规血液指标,以检测早期肺结核病的发展标志物.
• 使用机器学习 (ML) 开发一种灵敏而准确的临床预测模型.

主要方法:

• 收集的体检数据,包括年龄和血液检测结果.
• 使用最小绝对收缩和选择运算符 (LASSO) 和用于预测分析的逻辑回归.
• 评估了九个ML模型 (LR,XGBoost,LightGBM,RF,AdBoost,GNB,MLP,SVM,KNN) 使用各种性能指标和SHAP进行解释.

主要成果:

• 确定了六个风险变量:白细胞 (WBC),血小板分布宽度 (PDW),总胆红素 (TB),绝对中性粒细胞计数 (ANC),氨酸转移酶 (ALT) 和亚斯巴酸转移酶 (AST).
• 支持矢量机 (SVM) 模型被认为是最佳的,具有良好的临床适用性.
• SHAP分析量化了每个变量对肺结核病进展的贡献.

结论:

• 白血球,PDW,结核病,ANC,ALT和AST是与肺结核病进展相关的关键指标.
• 整合血液生化指标的ML算法可以识别肺炎风险因素.
• 在临床实践中,SVM模型显示了提高临床实践中早期检测和诊断的前景.