基于易于检测的临床数据预测煤炭工人肺炎病的研究:机器学习模型开发和验证研究
Haiquan Li1,2, Jiaqi Jia3, Xu Shi2
1School of Chemical Engineering & Technology, China University of Mining and Technology, Xuzhou, Jiangsu, China.
JMIR medical informatics
|February 13, 2026
概括
机器学习模型有效地使用可访问的临床数据预测煤炭工人肺炎症 (CWP). 这种方法为早期诊断和干预提供了一个方便的替代方案,改善了患者的治疗结果.
科学领域:
- 职业医学 职业医学 职业医学
- 肺部医学 肺部医学
- 数据科学与机器学习
背景情况:
- 煤炭工人肺炎 (CWP) 是一种严重的职业肺部疾病,导致不可逆转的损伤.
- 早期CWP预测对于阻止肺纤维化进展至关重要.
- 目前使用成像和生物标志物的预测方法昂贵且不方便.
研究的目的:
- 开发一种机器学习 (ML) 模型,使用易于获取的临床数据进行CWP预测.
- 探索职业病史,肺功能和血液指标对CWP风险评估的有用性.
主要方法:
- 一个预测框架使用了具有多维临床特征的数据集.
- 通过交叉验证和测试集,训练和验证了六个ML算法.
- 进行了超参数优化和模型解释性 (沙普利增量解释).
主要成果:
- 所有ML模型都表现出高预测性能,在测试组中存在很小的差异.
- 光梯度增强和分类增强实现了高AUC (0.974-0.975).
- 发现的关键预测因素包括年龄,强迫呼吸量/强迫生命能力和血小板计数.
结论:
- 将临床特征与ML算法相结合,显示出对CWP预测的前景.
- 这种方法为早期CWP诊断和干预提供了方便和有效的策略.
- 临床生物标志物对CWP风险具有独立的预测价值.
