通过缩小尺寸来预测与相关的甲状腺功能障碍,以建立一个实用的机器学习模型:一项回顾性多中心研究
Shu-Yu Jheng1, Fan-Ying Chan2, Fang-Yung Chang2
1Department of Clinical Pharmacy, School of Pharmacy, College of Pharmacy, Taipei Medical University, Taipei, 11031, Taiwan; Department of Pharmacy, Taipei Medical University Hospital, Taipei Medical University, Taipei, 11031, Taiwan.
Journal of affective disorders
|March 15, 2026
概括
一个简化的机器学习模型有效地预测了患者的甲状腺功能障碍. 该模型仅使用7个特征,保持临床使用的准确性,并帮助早期干预策略.
科学领域:
- 临床信息学 临床信息学
- 机器学习在医学中的应用
- 药物监督 药物监督 药物监督
背景情况:
- 对情绪障碍的治疗经常导致甲状腺功能障碍,使患者的管理复杂化.
- 目前用于诱导的甲状腺问题的预测模型往往太复杂,无法用于常规的临床应用.
- 开发一种简化而又准确的预测工具对于主动的患者护理至关重要.
研究的目的:
- 开发和验证用于预测相关甲状腺功能障碍的机器学习模型.
- 为了提高临床实用性,减少预测模型的维度.
- 为了利用SHAP (夏普利添加式解释) 来实现模型解释性和特征选择.
主要方法:
- 一项多中心回顾性研究分析了1595名用碳酸 (2010-2021) 治疗的患者的数据.
- 评估了XGBoost,支持向量机和物流回归模型.
- 采用基于SHAP的特征选择策略,创建了一个简化的7个特征模型.
主要成果:
- 在XGBoost模型显示强大的预测性能 (AUROC 0.773,AUPRC 0.444).
- 简化的7个特征模型实现了可比性能 (AUROC 0.802,AUPRC 0.460) 没有显著的统计差异.
- SHAP分析证实了原始和简化模型之间的相似特征重要性,提高了可解释性.
结论:
- 使用7个特征的简化,临床适用的XGBoost模型准确地预测了相关的甲状腺功能障碍.
- SHAP分析有助于理解特征贡献,从而实现有针对性的干预.
- 为了更广泛的临床实施,建议在不同人群中进一步验证.
