开发和验证可解释的机器学习模型,用于预测第三代脑胺治疗期间的血小板血风险

科学领域:

• 药理学 药理学是指药理学的学科.
• 医疗信息学 医疗信息学
• 机器学习 机器学习

背景情况:

• 第三代头素对严重感染至关重要,但可能导致血栓塞血症,使治疗复杂化.
• 目前用于预测这种风险的工具缺乏准确性和临床解释性.
• 需要可靠的方法来分层对接受黄素的患者的血栓塞瘤风险.

研究的目的:

• 开发和验证一种可解释的机器学习 (ML) 模型,用于预测第三代脑类药物治疗的患者的血小板血风险.
• 通过提供准确和可理解的风险分层来增强临床决策.
• 为了确定这一患者群体中血栓塞瘤的关键预测因子.

主要方法:

• 分析了25707名成年患者接受第三代头素的回顾性队列.
• 机器学习算法 (XGBoost,随机森林,LightGBM) 被训练和测试,使用ROC-AUC和Brier评分来评估性能.
• 用SHAP分析来分析模型的解释性,确定关键的预测因素.

主要成果:

• 该XGBoost模型实现了卓越的性能,其AUC为0.858和Brier分数为0.0088.
• 关键预测因素包括基线血小板计数,红细胞计数,肌素,每日使用频率和性别.
• 恶性瘤增加了风险,而女性性别显示有保护作用.

结论:

• 成功开发了一种可解释的ML框架,用于精确预测在氨酸治疗期间的血栓塞血症风险.
• 该模型平衡了高算法性能与临床可操作性,帮助治疗决策.
• 这些发现为管理与黄治疗相关的潜在不良事件提供了有价值的工具.