使用机器学习改进Behçet病的诊断:对沙特阿拉伯临床数据的比较研究

科学领域:

• 类风湿病学 类风湿病学
• 计算生物学 计算生物学
• 医疗信息学 医疗信息学

背景情况:

• 贝塞特病 (BD) 存在诊断挑战,因为它在风湿性免疫疾病中的罕见性和多样性症状.
• 目前对BD病理生理学和区分特征的理解仍然有限,阻碍了准确和及时的诊断.

研究的目的:

• 探索区分贝塞特病与其他类风湿病的临床和实验室特征.
• 调查机器学习算法在识别BD的关键诊断标记的有用性.

主要方法:

• 收集了来自148名患者的临床数据 (76名BD,72名类风湿性关节炎).
• 应用机器学习算法,包括随机森林 (RF),XGBoost和支持矢量机器 (SVM).
• 使用特征重要性分析,包括基于变换的方法和SHAP值.

主要成果:

• 随机森林模型实现了96.7%的准确性,曲线下的面积 (AUC) 为1.0;XGBoost实现了0.9985.5的AUC.
• 功能重要性分析强调口腔是最关键的区分特征,部分与已建立的诊断标准保持一致.
• 机器学习模型在区分BD与其他类风湿性疾病方面表现出强的表现.

结论:

• 这项研究提供了一个探索性框架,以了解BD的独特特征和特征相互作用.
• 机器学习方法显示出开发未来贝塞特病诊断支持系统的前景.
• 识别口腔等关键诊断特征可以帮助早期识别和治疗BD.