Модель прогнозирования на основе машинного обучения при первичной иммунной тромбоцитопении

Первичная иммунная тромбоцитопения (ИТП) является распространенным приобретенным аутоиммунным заболеванием, характеризующимся снижением образования тромбоцитов и усилением разрушения тромбоцитов вследствие аутоиммунных заболеваний, поскольку у пациентов наблюдается низкий уровень тромбоцитов и высокий риск кровотечений. Хотя у большинства пациентов с ИТП прогноз благоприятный, редкие, но важные критические кровотечения при ИТП представляют собой опасное для жизни осложнение для пациентов с ИТП, серьезно влияющее на их прогноз, качество жизни и решения о лечении.

Совсем недавно разработка моделей клинического прогнозирования предоставила мощные инструменты для точной диагностики и раннего вмешательства, особенно для применения методов машинного обучения. Подходы машинного обучения могут преодолеть некоторые ограничения существующих методов анализа прогнозирования риска, применяя компьютерные алгоритмы к большим наборам данных с многочисленными многомерными переменными, фиксируя многомерные нелинейные отношения между клиническими признаками для получения данных и прогнозирования результатов.

Это говорит о неудовлетворенной потребности в персонализированных стратегиях ведения пациентов и острой необходимости в эффективных инструментах для прогнозирования риска критических кровотечений из-за ИТП у госпитализированных пациентов в медицинской практике.

Здесь мы стремимся интегрировать клинические и лабораторные данные, основанные на общенациональном многоцентровом исследовании в Китае, для построения модели клинического прогноза. В частности, мы также проводим внешнюю и перспективную проверку с большими размерами выборки, чтобы повысить надежность и полезность наших моделей.

Это простой и удобный инструмент для быстрой оценки вновь поступивших пациентов с ИТП и обеспечения раннего выявления и вмешательства для лиц с высоким риском угрожающих жизни кровотечений, что снижает уровень инвалидности и смертности в будущем.