基于机器学习的医院血清检测安排

熊可为

摘 要：目的：分析基于机器学习的医院血清检测安排。方法：基于机器学习的理论，通过逻辑回归（LR）分析选取血清中最具诊断参考性的标志物。本文以结直肠癌患者的肿瘤标志物为例。结果：采用LR分析筛选对结直肠癌肿瘤标志物诊断上，比起CEA、CA724、CA242、CA153、HSP60五种肿瘤标志物的单一指标都更具有诊断价值。结论：采用LR分析能够实现血清检测对患者疾病诊断的准确性，因此，基于机器学习的医院血清检测具有加大应用价值。

关键词：机器学习;医院;血清检测

血清检测主要是指对血清中的肿瘤标志物等相关抗体蛋白进行检查，从而实现对患者相关病情的有效确诊[1]。在对癌症患者进行特定疾病诊断时，肿瘤标志物检测是对相关癌症疾病进行确诊的重要手段之一[2]。但是一种肿瘤有多种肿瘤标志物，从而致使相关疾病诊断的假阳性或假阴性概率较高，因此，进行单一的肿瘤标志物检测的准确性不高，需要采用联合检测的方法。本文则是基于机器学习的医院血清检测安排分析，具体如下：

1 资料与方法

对象和方法

分析LR分析筛选是选取血清中最具诊断参考性的标志物的方法。对CEA、CA724、CA242、CA153、HSP60五种肿瘤标志物检测情况进行组合，并LR分析筛选出判断癌症良恶性的标志物。以结直肠癌患者的肿瘤标志物为例，选取40例作为研究组，在选取健康体检者40例作为对照组。研究组中平均年龄为43.22±6.37岁，对照组的平均年龄为42.75±6.94岁，两组的一般资料差异并无统计学意义，P>0.05。并运用酶联免疫法，通过全自动生化免疫分析仪检测血清中的五种肿瘤标志物的含量情况。检测判断标准：高于临界值为阳性，低于临界值为阴性。另外，在LR分析筛选中，以CEA、CA724、CA242、CA153、HSP60五种肿瘤标志物为自变量，并采用相关的LR方程进行相应变量分析，从而对比分析CEA、CA724、CA242、CA153、HSP60单独检测与LR联合五种检测的诊断结果。

1.2 统计学方法

将数据纳入SPSS17.0软件中分析，计量资料比较采用t检验，并以（）表示，率计数资料采用χ2检验，并以率（%）表示，（P<0.05）为差异显著，有统计学意义。

2 结果

2.1 两组五种肿瘤标志物检测情况比较

通过对两组五种肿瘤标志物检测情况比较后发现，研究组的五种检测水平明显高于对照组，表明其具有检测典型性，且差异具有统计学意义，P<0.05，如下表1：

2.2 CEA、CA724、CA242、CA153、HSP60单独检测与LR联合五种检测对比

根据检测结果显示，CEA、CA724、CA242、CA153、HSP60单独检测的ROC曲线面积分别为0.717、0.728、0.759、0.719、0.761，而LR联合五种检测的ROC曲线面积为0.986（P<0.01），表明在对结直肠癌的诊断中，这六种检测均具有诊断价值，但是相对于五种单独检测的诊断价值，LR联合五种检测的诊断价值最高。

讨论

血清检测的内容有多种，在临床诊断中，医生一般根据患者病情的具体描述而要求其进行相应向的血清检测，以获取确诊依据，方便医治[3]。不过根据临床研究显示，在血清检测中，采用单一的指标检测并不能有效的反应相关疾病的具体情况[4]。因此，在相应的血清检测中，还应该运用联合检测等的方式，以实现相关疾病的有效诊断。

以结直肠癌的血清诊断为例，单一的CEA、CA724、CA242、CA153或HSP60检测虽然具有一定的诊断价值，但是不及基于机器学习方法的诊断价值高。通过本研究也可表明，基于机器学习相关理论，采用LR分析筛选能够获取更高的诊断结果。由此可知，在医院血清检测的安排中，应该积极结合相关机器学习方法，不断提高相关疾病的诊断准确率，以方便医生及时、准确用药，实现对患者病情的有效控制。

综上所述，采用LR分析能够实现血清检测对患者疾病诊断的准确性，因此，基于机器学习的医院血清检测具有加大应用价值。

参考文献

[1]纪守领，李进锋，杜天宇，李博.机器学習模型可解释性方法、应用与安全研究综述[J/OL].计算机研究与发展，2019（10）：1-26.

[2]张景奇，史文宝.机器学习在医疗和公共卫生中的应用[J].中国公共卫生：1-4.

[3]令狐曦. 机器学习模型测评技术研究与实现[D].北京邮电大学，2019.

[4]邱启哲. 基于机器学习的安全异常发现系统的设计与实现[D].北京邮电大学，2019.