使用机器学习的高度子宫损伤或更严重的预测模型

科学领域:

• 在瘤学瘤学.
• 医疗信息学 医疗信息学
• 公共卫生 公共卫生

背景情况:

• 使用预测模型可以提高宫癌查效率.
• 机器学习 (ML) 提供了一种有前途的方法来识别高度宫病变 (HCL) 风险较高的女性.

研究的目的:

• 开发和验证ML模型来预测HCL风险.
• 用各种预测器组合来评估不同ML模型的预测性能.

主要方法:

• 利用了瑞典全国性的注册表,其中包括474,072名妇女 (2016) 的数据用于培训和370,105名妇女 (2017) 的数据用于验证.
• 训练了四个随机森林模型 (M1-M4),使用包括细胞学,人类乳头瘤病毒 (HPV) 测试,HPV相关因素和人口统计数据在内的预测因素.
• 评估模型使用曲线下的面积 (AUC) 和正预测值 (PPV) 在1,3和5年的预测间隔.

主要成果:

• 模型表现出强大的预测性能,交叉验证的AUC从0.83到0.96不等,验证AUC从0.85到0.95.
• 包含所有预测因素的模型1 (M1) 在所有预测间隔中始终显示最高的PPV.
• 积极的预测值在1年的预测中最低,但在模型中的3年和5年的预测中是可比的.

结论:

• 开发的ML模型显示出提高宫部查效率的巨大潜力.
• 这些模型的强大预测性能支持它们在风险分层选方法中的实用性.
• 与查的女性数量相对评估PPV强调了这些预测工具的临床适用性.