机器学习监测临床决策支持系统:儿童百日咳和RSV的案例研究

科学领域:

• 儿童传染病 儿童传染病
• 计算生物学和生物信息学
• 公共卫生和流行病学.

背景情况:

• 婴儿的呼吸道感染带来了诊断方面的挑战.
• 准确及时诊断RSV感染和百日咳对于有效的治疗和监测至关重要.
• 现有的诊断方法可能在速度或可访问性方面存在限制.

研究的目的:

• 评估机器学习 (ML) 算法用于诊断婴儿RSV感染和百日咳的性能.
• 开发利用临床症状和常规实验室测试的ML模型,以改善诊断支持.
• 评估ML在加强临床决策和公共卫生监测方面的实用性.

主要方法:

• 回顾599名婴儿 (<1岁) 的病例系列,调查急性呼吸道感染 (2015-2020年).
• 开发使用临床症状,白细胞计数,淋巴细胞分数和C反应蛋白的LightGBM模型.
• 用组合数据与仅症状训练的模型进行比较;通过混矩阵和沙普利值评估性能.

主要成果:

• 模型在诊断RSV感染和百日咳方面表现良好.
• 百日咳的召回为0.72 (含实验室) 和0.74 (仅症状);RSV召回为0.68 (含实验室) 和0.71 (仅症状).
• 百日咳的F1分数为0.72 (两种模型);对于RSV,它们是0.69 (含实验室) 和0.75 (仅症状).

结论:

• ML算法在支持儿童RSV感染和百日咳的诊断方面表现有前途.
• 综合临床症状和常规实验室数据可以提高诊断准确度.
• 基于ML的临床决策支持系统有可能在未来用于儿科传染病管理和监测.