目的:构建基于机器学习的结核性胸膜炎诊断预测模型,提高临床诊断准确性。方法:回顾性收集2020年1月至2021年12月期间西安市胸科医院收治的523例胸腔积液患者(结核性胸膜炎375例,非结核性胸膜炎148例)的临床资料。纳入腺苷脱氨酶(adenos...目的:构建基于机器学习的结核性胸膜炎诊断预测模型,提高临床诊断准确性。方法:回顾性收集2020年1月至2021年12月期间西安市胸科医院收治的523例胸腔积液患者(结核性胸膜炎375例,非结核性胸膜炎148例)的临床资料。纳入腺苷脱氨酶(adenosine deaminase,ADA)、结核感染T细胞斑点试验(T-SPOT.TB)、C反应蛋白(C-reactive protein,CRP)等15项指标,采用随机森林、支持向量机、神经网络等7种机器学习算法构建预测模型,通过5折交叉验证评估模型性能,使用SHapley加法解释(SHapley Additive exPlanations,SHAP)算法进行特征重要性分析。结果:神经网络模型性能最优,测试集曲线下面积(area under the curve,AUC)为0.932,准确率为88.6%,精确率和召回率分别为94.4%和89.3%。SHAP分析显示,ADA(SHAP值为0.12~0.18)和T-SPOT.TB(SHAP值为0.10~0.15)是最重要的预测因子,且两者存在显著协同效应(P<0.001)。结论:本研究构建的神经网络模型具有较高的诊断效能,通过可解释性分析明确了关键预测因子及其交互作用,为结核性胸膜炎的精准诊断提供了新工具。该模型可辅助临床决策,特别适用于传统诊断中的“灰色区域”病例。展开更多
文摘目的:构建基于机器学习的结核性胸膜炎诊断预测模型,提高临床诊断准确性。方法:回顾性收集2020年1月至2021年12月期间西安市胸科医院收治的523例胸腔积液患者(结核性胸膜炎375例,非结核性胸膜炎148例)的临床资料。纳入腺苷脱氨酶(adenosine deaminase,ADA)、结核感染T细胞斑点试验(T-SPOT.TB)、C反应蛋白(C-reactive protein,CRP)等15项指标,采用随机森林、支持向量机、神经网络等7种机器学习算法构建预测模型,通过5折交叉验证评估模型性能,使用SHapley加法解释(SHapley Additive exPlanations,SHAP)算法进行特征重要性分析。结果:神经网络模型性能最优,测试集曲线下面积(area under the curve,AUC)为0.932,准确率为88.6%,精确率和召回率分别为94.4%和89.3%。SHAP分析显示,ADA(SHAP值为0.12~0.18)和T-SPOT.TB(SHAP值为0.10~0.15)是最重要的预测因子,且两者存在显著协同效应(P<0.001)。结论:本研究构建的神经网络模型具有较高的诊断效能,通过可解释性分析明确了关键预测因子及其交互作用,为结核性胸膜炎的精准诊断提供了新工具。该模型可辅助临床决策,特别适用于传统诊断中的“灰色区域”病例。
