利用机器学习开发智能反射检测方案

目的：反射检测方案允许临床实验室根据初始申请检测的结果对现有标本执行二线诊断检测。反射检测可支持优化的临床实验室检测申请与诊断。在当前临床实践中，反射检测通常依赖简单的“如果-则”规则；然而，这限制了其适用范围，因为大多数检测申请决策涉及的复杂性超出简单规则所能涵盖。在此，以分析物铁蛋白为例，我们提出一种替代性的基于机器学习的方法，用于具有比传统基于规则的方法更广范围和更大影响的“智能”反射检测。方法：利用患者数据，我们开发了机器学习模型以预测接受 CBC 检测的患者的铁蛋白检测是否会被申请，考虑该模型在“智能”反射检测中的应用，并通过将其性能与可能的基于规则的方法比较来评估模型。结果：我们的底层机器学习模型在预测铁蛋白检测申请方面表现中等良好，并显示出比基于规则的方法更适合反射检测。通过病历审查，我们证明我们的模型可改善铁蛋白检测申请。最后，作为次要目标，我们证明铁蛋白检测结果的缺失并非随机（MNAR），这一发现对缺失检测结果的无偏填补具有启示。结论：机器学习可为具有增强临床诊断与实验室利用管理效益的新型反射检测奠定基础。