運用機器學習模型預測每月副甲狀腺素水平

完整型副甲狀腺素（iPTH），也稱為活性副甲狀腺素，是監測接受血液透析患者次發性副甲狀腺功能亢進症（sHPT）的關鍵指標。本研究旨在使用機器學習模型預測每月iPTH水平。我們對接受血液透析的患者進行了回顧性研究，利用台灣腎臟病學會KiDiT系統的血液檢查數據以及屏東基督教醫院的用藥數據。分別使用五種機器學習模型並將患者分為三個iPTH水平類別：<150、≥150且<600以及≥600 pg/ml。研究納入了1351名患者，並採用了四種不同數據處理方法，我們將數據依照所使用的時間長度（一個月或連續三個月）和特徵數量（利用每月共52種特徵或透過SHapley Additive exPlanations（SHAP）及XGBoost模型分析影響最多的20個特徵）來做區分。我們的實驗在使用XGBoost模型，以及連續三個月和所有特徵的數據取得了最高加權AUROC（0.922）。本研究旨在通過使用機器學習預測iPTH水平，改善血液透析患者sHPT管理中的臨床決策，提高患者護理和治療成果。