ARCH PATHOL LAB MED：利用机器学习简化临床实验室中质谱数据的质量审查
2019-10-22 gladiator MedSci原创
临床质谱仪(MS)检测的周转时间和工作效率会影响将检测结果通知给病人的时间，这主要是由于MS数据分析质量手工核查时间的影响。
临床质谱仪(MS)检测的周转时间和工作效率会影响将检测结果通知给病人的时间，这主要是由于MS数据分析质量手工核查时间的影响。
本研究的目的是确定使用标准机器学习算法创建的分类模型是否可以验证分析上可接受的MS结果，从而减少手工核查的需求。
研究人员通过气相色谱-质谱分析1267份尿液样本中的THC-COOH获得回顾性数据。这些样本的数据之前都被标记为分析上不可接受或人工审核可以接受。研究人员将数据集随机分成训练数据和测试数据(分别包括848和419个样本)，在每组结果中维持可接受(90%)和不可接受(10%)的比例。使用分层10倍交叉验证评估6个监督机器学习算法的能力区分不可接受的和可以接受的分析训练数据集的结果。使用召回率最高的分类器构建最终模型，并根据测试数据集评估其性能。
在6个分类器的比较测试中，基于支持向量机算法的模型的查全率和可接受精度最高。优化后，该模型能够正确识别测试数据集(100%召回率)中所有不可接受的结果，准确率为81%。
研究表明，自动数据核查确定了测试数据集中所有分析上不可接受的分析，同时将手动核查要求降低了大约87%。这种自动化策略可以将手工核查集中在可能有问题的分析上，从而在不降低质量的情况下提高处理量和周转时间。
原始出处：
本文系梅斯医学（MedSci）原创编译整理，转载需授权！
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料，版权均属于梅斯医学所有。非经授权，任何媒体、网站或个人不得转载，授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章，或“梅斯号”自媒体发布的文章，仅系出于传递更多信息之目的，本站仅负责审核内容合规，其内容不代表本站立场，本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
在此留言
#临床实验#
38
#Pathol#
34
#质谱#
35
#机器#
33
#Med#
29