用于微调全血细胞计数检测中异常水平的决策工具
机器学习
2020-11-25 v2 机器学习
应用统计
摘要
由自动化血液分析仪进行的全血细胞计数(CBC)是最常申请的实验室检测之一。它是评估患者总体健康状况或诊断和监测疾病进展的一线工具。当分析结果不符合预期设定时，技术人员使用显微镜手动审阅血涂片。血液学审阅国际共识组于2005年发布了一套CBC审阅标准。通常需要根据实验室资源和人群特征进行本地化调整。我们的目标是提供一种决策支持工具，以识别哪些CBC变量与较高的异常涂片风险相关以及对应的截断值。我们提出了一种代价敏感的Lasso惩罚加性逻辑回归并结合稳定性选择。利用模拟和真实CBC数据，我们证明只要截断值附近有足够可用数据，我们的工具能正确识别真实截断值。
引用
@article{arxiv.2011.05900,
title = {A decision-making tool to fine-tune abnormal levels in the complete blood count tests},
author = {Marta Avalos-Fernandez and Helene Touchais and Marcela Henriquez-Henriquez},
journal= {arXiv preprint arXiv:2011.05900},
year = {2020}
}
备注
Machine Learning for Health (ML4H) at NeurIPS 2020 - Extended Abstract