A Risk Warning Model for Anemia Based on Facial Visible Light Reflectance Spectroscopy: Cross-Sectional Study
Notice bibliographique
Résumé
Background: Anemia is a global public health issue causing symptoms such as fatigue, weakness, and cognitive decline. Furthermore, anemia is associated with various diseases and increases the risk of postoperative complications and mortality. Frequent invasive blood tests for diagnosis also pose additional discomfort and risks to patients. Objective: This study aims to assess the facial spectral characteristics of patients with anemia and to develop a predictive model for anemia risk using machine learning approaches. Methods: Between August 2022 and September 2023, we collected facial image data from 78 anemic patients who met the inclusion criteria from the Hematology Department of Shanghai Hospital of Traditional Chinese Medicine. Between March 2023 and September 2023, we collected data from 78 healthy adult participants from Shanghai Jiading Community Health Center and Shanghai Gaohang Community Health Center. A comprehensive statistical analysis was performed to evaluate differences in spectral characteristics between the anemic patients and healthy controls. Then, we used 10 different machine learning algorithms to create a predictive model for anemia. The least absolute shrinkage and selection operator was used to analyze the predictors. We integrated multiple machine learning classification models to identify the optimal model and developed Shapley additive explanations (SHAP) for personalized risk assessment. Results: The study identified significant differences in facial spectral features between anemic patients and healthy controls. The support vector machine classifier outperformed other classification models, achieving an accuracy of 0.875 (95% CI 0.825-0.925) for distinguishing between the anemia and healthy control groups. In the SHAP interpretation of the model, forehead-570 nm, right cheek-520 nm, right zygomatic-570 nm, jaw-570 nm, and left cheek-610 nm were the features with the highest contributions. Conclusions: Facial spectral data demonstrated clinical significance in anemia diagnosis, and the early warning model for anemia risk constructed based on spectral information demonstrated a high accuracy rate.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».