基于機器學習的醫院血清檢測安排

熊可為

摘 要：目的：分析基于機器學習的醫院血清檢測安排。方法：基于機器學習的理論，通過邏輯回歸（LR）分析選取血清中最具診斷參考性的標志物。本文以結直腸癌患者的腫瘤標志物為例。結果：采用LR分析篩選對結直腸癌腫瘤標志物診斷上，比起CEA、CA724、CA242、CA153、HSP60五種腫瘤標志物的單一指標都更具有診斷價值。結論：采用LR分析能夠實現血清檢測對患者疾病診斷的準確性，因此，基于機器學習的醫院血清檢測具有加大應用價值。

關鍵詞：機器學習;醫院;血清檢測

血清檢測主要是指對血清中的腫瘤標志物等相關抗體蛋白進行檢查，從而實現對患者相關病情的有效確診[1]。在對癌癥患者進行特定疾病診斷時，腫瘤標志物檢測是對相關癌癥疾病進行確診的重要手段之一[2]。但是一種腫瘤有多種腫瘤標志物，從而致使相關疾病診斷的假陽性或假陰性概率較高，因此，進行單一的腫瘤標志物檢測的準確性不高，需要采用聯合檢測的方法。本文則是基于機器學習的醫院血清檢測安排分析，具體如下：

1 資料與方法

對象和方法

分析LR分析篩選是選取血清中最具診斷參考性的標志物的方法。對CEA、CA724、CA242、CA153、HSP60五種腫瘤標志物檢測情況進行組合，并LR分析篩選出判斷癌癥良惡性的標志物。以結直腸癌患者的腫瘤標志物為例，選取40例作為研究組，在選取健康體檢者40例作為對照組。研究組中平均年齡為43.22±6.37歲，對照組的平均年齡為42.75±6.94歲，兩組的一般資料差異并無統計學意義，P>0.05。并運用酶聯免疫法，通過全自動生化免疫分析儀檢測血清中的五種腫瘤標志物的含量情況。檢測判斷標準：高于臨界值為陽性，低于臨界值為陰性。另外，在LR分析篩選中，以CEA、CA724、CA242、CA153、HSP60五種腫瘤標志物為自變量，并采用相關的LR方程進行相應變量分析，從而對比分析CEA、CA724、CA242、CA153、HSP60單獨檢測與LR聯合五種檢測的診斷結果。

1.2 統計學方法

將數據納入SPSS17.0軟件中分析，計量資料比較采用t檢驗，并以（）表示，率計數資料采用χ2檢驗，并以率（%）表示，（P<0.05）為差異顯著，有統計學意義。

2 結果

2.1 兩組五種腫瘤標志物檢測情況比較

通過對兩組五種腫瘤標志物檢測情況比較后發現，研究組的五種檢測水平明顯高于對照組，表明其具有檢測典型性，且差異具有統計學意義，P<0.05，如下表1：

2.2 CEA、CA724、CA242、CA153、HSP60單獨檢測與LR聯合五種檢測對比

根據檢測結果顯示，CEA、CA724、CA242、CA153、HSP60單獨檢測的ROC曲線面積分別為0.717、0.728、0.759、0.719、0.761，而LR聯合五種檢測的ROC曲線面積為0.986（P<0.01），表明在對結直腸癌的診斷中，這六種檢測均具有診斷價值，但是相對于五種單獨檢測的診斷價值，LR聯合五種檢測的診斷價值最高。

討論

血清檢測的內容有多種，在臨床診斷中，醫生一般根據患者病情的具體描述而要求其進行相應向的血清檢測，以獲取確診依據，方便醫治[3]。不過根據臨床研究顯示，在血清檢測中，采用單一的指標檢測并不能有效的反應相關疾病的具體情況[4]。因此，在相應的血清檢測中，還應該運用聯合檢測等的方式，以實現相關疾病的有效診斷。

以結直腸癌的血清診斷為例，單一的CEA、CA724、CA242、CA153或HSP60檢測雖然具有一定的診斷價值，但是不及基于機器學習方法的診斷價值高。通過本研究也可表明，基于機器學習相關理論，采用LR分析篩選能夠獲取更高的診斷結果。由此可知，在醫院血清檢測的安排中，應該積極結合相關機器學習方法，不斷提高相關疾病的診斷準確率，以方便醫生及時、準確用藥，實現對患者病情的有效控制。

綜上所述，采用LR分析能夠實現血清檢測對患者疾病診斷的準確性，因此，基于機器學習的醫院血清檢測具有加大應用價值。

參考文獻

[1]紀守領，李進鋒，杜天宇，李博.機器學習模型可解釋性方法、應用與安全研究綜述[J/OL].計算機研究與發展，2019（10）：1-26.

[2]張景奇，史文寶.機器學習在醫療和公共衛生中的應用[J].中國公共衛生：1-4.

[3]令狐曦. 機器學習模型測評技術研究與實現[D].北京郵電大學，2019.

[4]邱啟哲. 基于機器學習的安全異常發現系統的設計與實現[D].北京郵電大學，2019.