Eine Anwendung von maschinellem Lernen in der hämatologischen Diagnose

Zusammenfassung Schnelle und präzise medizinische Diagnosen sind entscheidend für die erfolgreiche Behandlung von Krankheiten. Durch die Verwendung von Algorithmen des maschinellen Lernens und basierend auf Labor-Blutuntersuchungsergebnissen haben wir zwei Modelle entwickelt, um eine hämatologische Erkrankung vorherzusagen. Ein prädiktives Modell verwendete alle verfügbaren Blutuntersuchungsparameter, während das andere nur eine reduzierte Auswahl verwendete, die in der Regel bei der Aufnahme des Patienten gemessen wird. Beide Modelle erzielten gute Ergebnisse mit Vorhersagegenauigkeiten von 0,88 und 0,86, wenn man die Liste der fünf wahrscheinlichsten Krankheiten betrachtete, und 0,59 und 0,57, wenn man nur die wahrscheinlichste Krankheit betrachtete. Die Modelle unterschieden sich nicht signifikant, was darauf hindeutet, dass eine reduzierte Parametergruppe ein relevantes "Fingerabdruck" einer Krankheit darstellen kann. Dieses Wissen erweitert die Nützlichkeit des Modells für den Einsatz durch Hausärzte und zeigt, dass die Ergebnisse von Blutuntersuchungen mehr Informationen enthalten, als Ärzte allgemein erkennen. Ein klinischer Test zeigte, dass die Genauigkeit unserer prädiktiven Modelle mit der von Hämatologiespezialisten vergleichbar war. Unsere Studie ist die erste, die zeigt, dass ein prädiktives Modell des maschinellen Lernens, das ausschließlich auf Blutuntersuchungen basiert, erfolgreich zur Vorhersage hämatologischer Krankheiten angewendet werden kann. Dieses Ergebnis könnte beispiellose Möglichkeiten für die medizinische Diagnose eröffnen.