基于机器学习与全血细胞分析的铁缺乏症筛查新策略

【编辑推荐】来自三家医院的研究团队创新性地利用机器学习(ML)算法，通过常规全血细胞计数(CBC)和细胞群体数据(CPD)构建铁缺乏症(ID)筛查模型。该研究纳入9608例患者数据，开发出AUROC>0.94的高精度诊断工具，成功实现临床系统整合，为大规模ID筛查提供了无需生化检测的便捷方案。

　　

这项突破性研究开创了铁代谢异常检测的新范式。科研团队通过分析三家医疗机构9608例成人患者的临床数据，巧妙地将常规全血细胞计数(CBC)参数与先进的细胞群体数据(CPD)特征相结合，构建出5种机器学习(ML)诊断模型。其中最优模型展现出卓越的判别性能：受试者工作特征曲线下面积(AUROC)突破0.94，精确召回曲线下面积(AUPRC)达0.83以上。值得注意的是，该模型在真实世界临床环境中表现稳定，部署后仍保持0.948的AUROC和0.854的AUPRC。研究同时揭示了模型在男性与非贫血人群中的性能差异，为后续优化指明了方向。这项技术的创新之处在于仅需常规血液检测数据即可实现高效、标准化的铁缺乏筛查，避免了传统铁代谢生化检测的繁琐流程，为公共卫生筛查提供了极具临床应用价值的解决方案。