基于患者偏好定制食管癌临床检查的方法论
机器学习
2016-10-07 v1 机器学习
摘要
食管癌检查可能昂贵、不适且伴有副作用。对于许多患者，仅凭人口统计学、生活方式和病史信息，我们就能以 100% 的确定性预测其未患病。我们的目标是设计一种通用方法论，利用用户偏好定制检查方案，从而避免昂贵或不适的检查。我们提出使用基于电子健康记录（EHR）训练的分类器来选择检查。核心思想是设计假阴性率为 0% 的分类器，可能以较高的假阳性率为代价。我们比较了朴素贝叶斯分类（NB）、随机森林（RF）、支持向量机（SVM）和逻辑回归（LR），发现核逻辑回归最适合该任务。我们提出了一种基于测试集准确率寻找核 LR 最佳概率阈值的算法。利用该算法，我们描述了根据用户对成本和不适的偏好来选择检查（这些检查在自动分类算法中作为特征出现）的方案。我们使用一家印度孟买知名医院项目收集的 3000 多名患者的 EHR 来测试我们的方法论。在不使用 MP 特征（即仅使用临床检查）的情况下，采用 3 次多项式核的核 SVM 和核 LR 达到了 99.8% 的准确率和 100% 的灵敏度。我们通过两个案例研究展示了检查选择算法，一个使用临床检查的成本，另一个使用临床检查的“不适”值。通过对 15 项临床检查进行穷举枚举，我们计算了对应上述每种标准的最低假阳性率的检查集合。这些集合结果不同，证实了可以根据用户偏好定制检查组合的论断。
引用
@article{arxiv.1610.01712,
title = {A Methodology for Customizing Clinical Tests for Esophageal Cancer based on Patient Preferences},
author = {Asis Roy and Sourangshu Bhattacharya and Kalyan Guin},
journal= {arXiv preprint arXiv:1610.01712},
year = {2016}
}