CLIN CHEM LAB MED：运用于机器学习模型对样本混淆进行高精度且可解释的检测

2022-01-31 05:45:20 来源:

资料校验（持续性核对）较广常用混样品检查。由于搞混的绝对发生率的依赖性和密集性不足，因此持续性核对的正预测值（PPV）十分极低，因为要在大量误判日本气象厅里面识别出新真正的搞混误判都会很费力。为了克服这个问题，我们通过机器研修开发新了一种在此之后精确检查数学模型。

受delta持续性核对核对的借鉴，分析人员最终与过去的核对顺利进行比较，并拓宽等待时间范围。从值得注意的淋巴计数和生化测试里面选择15个常见项目。我们再考虑了在我院同时顺利进行的15项核对里面≥11项核对。我们创建了滑动窗口微小为4的连续核对的单个均匀分布等待时间核酸资料。对均匀分布等待时间核酸资料的最后一次核对顺利进行了混洗，以生为搞混的案例。将资料集分成开发新集和验证集后，然后用到梯度叫停决策树(gradient-boosting-decision-tree, GBDT)数学模型来研修，以检查大多等待时间核酸资料的最后核对结果确根本原因混结果。在验证集上对数学模型的稳定性顺利进行了评核。

本数学模型的测试者文书工作特征直线(ROC AUC)下占地为0.9983 (bootstrap标准差[bsCI]: 0.9983 - 0.9985)。

分析结果表明，GBDT数学模型在检查样品群集方面更必需。准确性减低将使更多机构能够顺利进行更必需和集里面的混检查，从而减低患者的安全性。

原始注解：

Tomohiro Mitani，Shunsuke Doi, Highly accurate and explainable detection of specimen mix-up using a machine learning model

本文系梅斯医学（MedSci）原创转译收集，刊登需准许！