基于机器学习模型顺序随机分割的缺铁性贫血性别差异分析：精准诊断新突破

贫血诊断存在诸多难题，如难以区分多种贫血类型，小型医疗机构受设备成本限制无法开展进一步检测。研究人员开展缺铁性贫血（IDA）自动预测模型研究，用 15300 个数据测试，模型准确率达 92.71% 等，助力临床高效识别 IDA。

　　贫血有许多身体和肉眼可见的迹象，这使得诊断过程既繁琐又耗费资源。贫血种类繁多，每种都有其独特的症状组合来识别。全血细胞计数（CBC）检测虽能发现贫血，但因其快速、廉价且易获取，无法判断贫血的具体类型。因此，为确定患者贫血的类型，还需额外检测。然而，由于所需设备成本高昂，小型医疗机构通常不会进行这些检测。即便存在多种红细胞（RBC）公式和具有不同理想临界值的指标，缺铁性贫血（IDA）和混合性贫血仍难以区分。这是因为人体内存在多种贫血形式，区分 β 地中海贫血（BTT）、缺铁性贫血（IDA）、血红蛋白 E 病（HbE）以及这些类型的混合形式颇具挑战。为帮助临床医生高效识别缺铁性贫血（IDA），研究构建了一种基于数据集的自动预测模型，该模型在准确性和特异性方面表现出色。本文提出了一种检测缺铁性贫血（IDA）的算法，并利用混淆矩阵和代表五类贫血的 15300 个数据对模型性能进行评估。结果显示，模型准确率为 92.71%，灵敏度为 89%，精确度为 85%，F1 值为 87%。