对住院患者在接受免疫学检测时出现的免疫学检测结果模式进行可解释的机器学习分析

《Scientific Reports》：Explainable machine learning analysis of immunology assay patterns among hospitalized patients undergoing immunology testing

　　

摘要

在急性护理中，免疫学实验室检测的过度使用仍然是一个挑战，这导致了工作量的增加、后续检查的增多以及诊断复杂性的提高。我们应用了可解释的机器学习方法来评估接受免疫学检测的住院患者中这些检测的实际使用情况。我们分析了2018年至2023年间一家三级医疗机构的电子健康记录，其中包括7,402名成年人和75个模型预测因子。出院诊断经过临床审查，并被分类为与免疫相关的结局或非免疫相关的结局。我们评估了多种机器学习模型，最终选择了XGBoost模型，并使用SHapley Additive exPlanations（SHAP）方法对其进行了详细的解释。在两组患者中，免疫学检测的订单频率都较高，但差异不大。XGBoost模型的ROC-AUC值为0.749，加权F1值为0.75。SHAP分析表明，常规的临床和实验室变量通常对区分结果的贡献大于大多数免疫学检测指标；而补体相关的标志物表现出更高的贡献度，且不同临床背景下的检测效果也存在差异。亚组分析显示了结果依赖性的变异性；当随机屏蔽单个检测的信息时，结果独立的敏感性分析显示模型性能基本稳定。这些发现表明，可解释的机器学习方法有助于评估诊断检测的使用模式，并为识别免疫学检测人群中检测订单频率与模型预测贡献之间的潜在不一致提供了实用的框架。