ข้อมูลจากบทคัดย่อ
ยังไม่มีสรุปภาษาไทยสำหรับระเบียนนี้
ด้านล่างเป็นบทคัดย่อต้นฉบับภาษาอังกฤษจากข้อมูลบรรณานุกรม โปรดตรวจบทความต้นฉบับก่อนอ้างอิง
Abstract Objectives This study aimed to develop a machine learning approach to predict factor VIII inhibitor titers from activated partial thromboplastin time (aPTT) mixing study data. Methods Records of 173 patients who underwent factor VIII inhibitor testing at Songklanagarind Hospital from January 2023 to December 2025 were retrospectively analyzed. Predictor variables included mixing aPTT, age, and sex, with Bethesda assay inhibitor titer as the outcome. A two-stage hurdle Random Forest model was developed, consisting of a classifier for inhibitor positivity (>0.6 BU) followed by a regressor for quantitative titer prediction. The final model was implemented in a prototype application. Results Using out-of-fold predictions, the model achieved an AUC of 0.972 (95 % CI, 0.944–0.994) for inhibitor classification. Sensitivity, specificity, positive predictive value, and negative predictive value were 85.7 % (95 % CI, 74.3–92.6 %), 99.1 % (95 % CI, 95.3–99.8 %), 98.0 % (95 % CI, 89.3–99.6 %), and 93.5 % (95 % CI, 87.8–96.7 %), For titer prediction, the model showed a mean absolute error of 5.189 BU, R 2 of 0.629, and Pearson correlation coefficient of 0.794. The model showed a higher AUC than the Rosner Index and percent correction. Conclusions A Random Forest model using routine aPTT mixing study data may support factor VIII inhibitor identification and titer estimation. The prototype application highlights its potential as a practical laboratory decision-support tool, although external validation is required before clinical implementation.
เหตุผลที่อยู่ในฐานติดตาม
ระเบียนนี้ได้รับ Impact Signal 72/100 จากความใหม่ แหล่งเผยแพร่ ความร่วมมือ และสัญญาณในข้อมูลบรรณานุกรม คะแนนนี้ใช้จัดลำดับการติดตาม ไม่ใช่การตัดสินคุณภาพงานวิจัย
ประเด็นที่เกี่ยวข้อง: Hemophilia Treatment and Research · Blood Coagulation and Thrombosis Mechanisms · Coagulation, Bradykinin, Polyphosphates, and Angioedema
บทบาทของนักวิจัยและสถาบันไทย
Chulalak Kongkan · Pakaporn Detsuk · Sarawin Hnusing · Yanakamin Phomcharoen · Chadaporn Nokkong · Chaowanee Wangchauy · Saristha Buathong · Tipparat Penglong · Peempol Chokchaipermpoonphol · Prince of Songkla University · Walailak University
ข้อจำกัดของข้อมูล
หน้านี้เป็นระเบียนบรรณานุกรมและข้อมูลจากบทคัดย่อ ยังไม่ใช่บทวิเคราะห์ฉบับเต็มหรือการประเมินคุณภาพงานวิจัย ควรตรวจสอบ DOI และเอกสารต้นฉบับก่อนนำไปอ้างอิง