目的利用机器学习随机森林(random forest,RF)算法,建立一种准确识别检测小偏移的实时质控方法,并以浮动异常值之和的方法(moving sum of outlier,MovSO)作为参比方法,评价新算法效能。方法收集来自航空总医院实验室信息系统导出的2016...目的利用机器学习随机森林(random forest,RF)算法,建立一种准确识别检测小偏移的实时质控方法,并以浮动异常值之和的方法(moving sum of outlier,MovSO)作为参比方法,评价新算法效能。方法收集来自航空总医院实验室信息系统导出的2016年1月至2021年8月在罗氏化学发光E601设备检测的hs-cTnT项目检测结果,按照规定的数据清洗规则筛选出54243个结果作为无偏数据,人为引入10个不同大小的偏移,生成相应的有偏数据,每种偏移下用RF与MovSO两种算法进行实验。采用分类模型标准及临床指标对算法进行评价。结果RF算法在浮动窗口大小为10时,对10个小偏移均能检出,假阳性率(FPR)为4.0%~4.7%,受影响的患者样本数中位数(MNPed)在12以下。除了在±1 ng/L偏移时准确度为85%,其余8个偏移检出准确度均在90%以上;MovSO算法的最优浮动窗口大小为200,除了在1 ng/L时偏移无法检出,对其他9个偏移均可检出,FPR在3.5%~4.6%之间,MNPed均在100以上,仅在5 ng/L偏移时识别准确度方可达89%。RF算法总体显著优于MovSO,RF可准确识别hs-cTnT的测量小偏移。结论基于机器学习RF算法建立的质控方法可以改进类似hs-cTnT等临床对检测质量要求较高的项目的测量准确度,为实验室质控方案提供了新思路。展开更多
文摘目的利用机器学习随机森林(random forest,RF)算法,建立一种准确识别检测小偏移的实时质控方法,并以浮动异常值之和的方法(moving sum of outlier,MovSO)作为参比方法,评价新算法效能。方法收集来自航空总医院实验室信息系统导出的2016年1月至2021年8月在罗氏化学发光E601设备检测的hs-cTnT项目检测结果,按照规定的数据清洗规则筛选出54243个结果作为无偏数据,人为引入10个不同大小的偏移,生成相应的有偏数据,每种偏移下用RF与MovSO两种算法进行实验。采用分类模型标准及临床指标对算法进行评价。结果RF算法在浮动窗口大小为10时,对10个小偏移均能检出,假阳性率(FPR)为4.0%~4.7%,受影响的患者样本数中位数(MNPed)在12以下。除了在±1 ng/L偏移时准确度为85%,其余8个偏移检出准确度均在90%以上;MovSO算法的最优浮动窗口大小为200,除了在1 ng/L时偏移无法检出,对其他9个偏移均可检出,FPR在3.5%~4.6%之间,MNPed均在100以上,仅在5 ng/L偏移时识别准确度方可达89%。RF算法总体显著优于MovSO,RF可准确识别hs-cTnT的测量小偏移。结论基于机器学习RF算法建立的质控方法可以改进类似hs-cTnT等临床对检测质量要求较高的项目的测量准确度,为实验室质控方案提供了新思路。
