CLIN CHEM：利用机器学习助力尿液类固醇信息解释
2018-11-02 MedSci MedSci原创
尿类固醇信息可用于临床诊断和监测类固醇生成和肾上腺疾病。机器学习(ML)算法是一种强大的计算工具，广泛用于识别大型数据集中的模式。在这里，研究人员分析了各种ML算法在尿液类固醇信息的自动生化解释中的应用，以对当前的临床实践进行帮助。 本研究回顾性收集了2012年6月至2016年10月期间处理的4619份尿液类固醇样本数据。其中，用1314份样品来测试各种ML分类器区分无显著异常和“?异常”的
尿类固醇信息可用于临床诊断和监测类固醇生成和肾上腺疾病。机器学习(ML)算法是一种强大的计算工具，广泛用于识别大型数据集中的模式。在这里，研究人员分析了各种ML算法在尿液类固醇信息的自动生化解释中的应用，以对当前的临床实践进行帮助。
本研究回顾性收集了2012年6月至2016年10月期间处理的4619份尿液类固醇样本数据。其中，用1314份样品来测试各种ML分类器区分无显著异常和“?异常”的能力。对进一步的分类器进行了预测试，并测试了它们预测信息的特定生化解释能力。
研究显示，在ROC曲线下平均面积为0.955 (95% CI, 0.949-0.961)的情况下，性能最好的二值分类器可以预测没有显著异常和异常信息解释。此外，性能最好的多类分类器可以预测单个异常信息解释，平均平衡精度为0.873(0.865-0.880)。
在这里，研究人员描述了ML算法在尿液类固醇信息自动解释中的应用。这为ML算法在复杂的临床实验室数据上的概念验证应用提供了可能，并在有限的人力资源环境下提高实验室效率的可能性。
原始出处：
本文系梅斯医学（MedSci）原创编译整理，转载需授权！
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料，版权均属于梅斯医学所有。非经授权，任何媒体、网站或个人不得转载，授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章，或“梅斯号”自媒体发布的文章，仅系出于传递更多信息之目的，本站仅负责审核内容合规，其内容不代表本站立场，本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
在此留言
#类固醇#
55
#尿液#
61
#机器#
59