机器学习能否辅助诊断原发性免疫性血小板减少症？一项可行性研究
机器学习
2024-06-03 v1 人工智能
摘要
原发性免疫性血小板减少症(ITP)是一种罕见的自身免疫性疾病，其特征是免疫介导的外周血血小板破坏，导致患者血小板计数低和出血。ITP的诊断和有效管理具有挑战性，因为没有确定的检测方法来确认该疾病，也没有生物标志物可以预测治疗反应和结果。在这项工作中，我们进行了一项可行性研究，以检查在非急性门诊环境中，是否可以使用常规血液测试和人口统计数据有效应用机器学习进行ITP诊断。将包括逻辑回归、支持向量机、k近邻、决策树和随机森林在内的各种机器学习模型应用于来自英国成人ITP登记处和普通血液科诊所的数据。研究了两种不同的方法：不考虑人口统计信息和考虑人口统计信息的方法。我们进行了广泛的实验来评估这些模型和方法的预测性能及其偏差。结果表明，决策树和随机森林模型既优越又公平，实现了近乎完美的预测和公平性得分，其中血小板计数被确定为最重要的变量。未提供人口统计信息的模型在预测准确性方面表现更好，但公平性得分较低，说明了预测性能和公平性之间的权衡。
引用
@article{arxiv.2405.20562,
title = {Can Machine Learning Assist in Diagnosis of Primary Immune Thrombocytopenia? A feasibility study},
author = {Haroon Miah and Dimitrios Kollias and Giacinto Luca Pedone and Drew Provan and Frederick Chen},
journal= {arXiv preprint arXiv:2405.20562},
year = {2024}
}