基于机器学习和差值校验的识别混淆样本方法的建立及评价

摘要

目的利用患者历史对比数据,建立基于机器学习中支持向量机(support vector machine,SVM)算法识别临床混淆样本的方法,并验证该方法的临床有效性。方法收集约45万例血常规检测结果,经过数据清洗过滤,同一患者只保留2次检验结果并计算差值校验的绝对值。用同一患者与不同患者的差值(delta)分别制作正配样本与错配样本。采用SVM分类算法实现用多项目识别2种样本,与基于单项目识别的参考变化值法(reference change value,RCV)作比较。结果SVM算法识别正配和错配2种样本,精确率达到92.21%。基于统计学的RCV方法在不同项目下效果不同,其中红细胞平均血红蛋白量(MCH)在绝对值delta下的准确率最高,为81.51%。结论基于多项目的SVM算法可识别混淆样本,可在结果审核中应用。