基于集成学习的口服食物激发试验结局预测
机器学习
2022-12-01 v2
摘要
由于现有临床检测的局限性，口服食物激发试验（OFCs）对于准确诊断食物过敏至关重要。然而，一些患者不愿接受OFCs，而愿意接受的患者在农村/社区医疗环境中难以获得过敏专科医生的服务。尽管机器学习在其他临床环境中成功预测了患者结局，但很少有将机器学习应用于食物过敏的研究。因此，在本研究中，我们试图利用机器学习方法预测OFC结局。回顾性数据来自1,112名患者，他们共接受了1,284次OFCs，数据包含临床因素，包括血清特异性免疫球蛋白E（IgE）、总IgE、皮肤点刺试验（SPTs）、合并症、性别和年龄。利用这些特征，构建了多个机器学习模型来预测三种常见过敏原（花生、鸡蛋和牛奶）的OFC结局。每种过敏原的最佳性能模型为随机森林（鸡蛋）或Learning Using Concave and Convex Kernels（LUCCK）（花生、牛奶）模型的集成，在预测花生、鸡蛋和牛奶的OFC结局时分别达到了0.91、0.96和0.94的曲线下面积（AUC）。此外，所有这些模型的灵敏度和特异度值均为89%。通过SHapley Additive exPlanations（SHAP）进行的模型解释表明，特异性IgE以及SPTs的风团和红晕值对OFC结局具有高度预测性。该分析结果提示，集成学习有潜力预测OFC结局并揭示可供进一步研究的相关临床因素。
引用
@article{arxiv.2208.08268,
title = {Prediction of Oral Food Challenge Outcomes via Ensemble Learning},
author = {Justin Zhang and Deborah Lee and Kylie Jungles and Diane Shaltis and Kayvan Najarian and Rajan Ravikumar and Georgiana Sanders and Jonathan Gryak},
journal= {arXiv preprint arXiv:2208.08268},
year = {2022}
}