使用信号和常规实验室结果与集成机器学习预测模型预测狗的低 adrenocorticism 的可能性
Michaël Martineau1, Maxime Kurtz2, Rachel Lavoue3
1Centre Hospitalier Véterinaire Frégis, IVC Evidensia France, service de médecine interne, Paris F-75013, France.
Journal of veterinary internal medicine
|February 26, 2026
概括
一个新的机器学习模型使用常规数据准确地预测犬类低皮质 (CHA),为上皮质激素刺激测试 (ACTHst) 提供更快的诊断替代方案. 这种工具在改善兽医中CHA诊断方面显得有前途.
科学领域:
- 兽医医学 兽医医学 兽医医学
- 机器学习 机器学习
- 狗内分泌学 狗内分泌学
背景情况:
- 上腺皮质激素刺激试验 (ACTHst) 对于诊断犬类皮质低 (CHA) 是至关重要的.
- 目前ACTH的局限性包括高成本,合成ACTH的有限可用性和诊断延迟.
- 需要一种替代的诊断方法来提高效率和可访问性.
研究的目的:
- 开发和验证用于预测CHA概率的机器学习模型.
- 该模型利用常规信号和实验室测试结果.
- 这旨在提供更容易获得和及时的诊断辅助.
主要方法:
- 一个并行随机森林算法 (parRF) 被训练使用68个已确认的CHA狗和504个对照的数据.
- 数据来源于兽医转诊医院的医疗记录.
- 模型性能通过内部和外部验证进行评估.
主要成果:
- 在内部验证中,parRF表现出高准确度 (ROC AUC: 0.998).
- 外部验证证实了模型的准确性 (ROC AUC:0.942).
- 优化决策值 (10%,50%,80%) 根据不同的灵敏度和特异性确定.
结论:
- 开发的parRF模型显示出有很大的希望,可以帮助兽医诊断CHA.
- 建议进行进一步的外部验证.
- 这种机器学习方法可以增强犬类低皮质性皮质症的诊断过程.

