相关实验视频
Updated: Jun 15, 2026
14:56
Remote Laboratory Management: Respiratory Virus Diagnostics
Published on: April 6, 2019
33.2K
使用基于实验室的机器学习算法,对疑似COVID-19的儿童进行快速选
Dejan Dobrijević1,2, Gordana Vilotijević-Dautović1,2, Jasmina Katanić1,2
1Faculty of Medicine, University of Novi Sad, 21000 Novi Sad, Serbia.
Viruses
|July 29, 2023
概括
机器学习算法可以使用血液测试快速分类疑似COVID-19的儿童. 随机森林和支矢量机器模型显示出高准确度,有助于在PCR测试之前早期识别.
科学领域:
- 计算生物学是一种计算生物学.
- 传染病诊断 传染病诊断 传染病诊断
- 儿科医学 儿科医学 儿科医学
背景情况:
- 早期检测和隔离SARS-CoV-2对于限制其传播至关重要.
- 机器学习 (ML) 为快速诊断疾病提供了一个有希望的方法.
- 有效地识别儿童COVID-19病例对于及时干预至关重要.
研究的目的:
- 评估常见的ML算法的有效性,以快速分拣儿科COVID-19.
- 为了 ML 模型开发,利用易于获取和廉价的实验室参数.
- 为了比较六个不同的ML算法的在儿童中诊断COVID-19的性能.
主要方法:
- 一项涉及566名患有呼吸系统疾病的儿童的横截面研究 (280名SARS-CoV-2阳性,286名对照).
- 六个ML算法 (随机森林,SVM,LDA,ANN,KNN,决策树) 用血液实验室数据进行了训练和验证.
- 模型性能使用分层交叉验证和独立测试集进行评估,评估准确性,灵敏性,特异性和F1评分.
主要成果:
- 随机森林 (RF) 和支持矢量机 (SVM) 模型实现了最高的诊断准确度 (分别为85%和82.1%).
- 模型表现出比特异性更高的灵敏度和比积极的预测值更好的负预测值.
- 与SVM模型 (82.3%) 相比,RF模型显示出更高的F1得分 (85.2%).
结论:
- 机器学习算法,特别是RF和SVM,显示出使用常规实验室数据快速分拣儿科COVID-19病例的巨大潜力.
- 这些模型可以帮助医疗保健提供者进行早期识别,可能会在最终PCR或抗原测试之前进行.
- 实施ML工具可以提高医疗机构的诊断效率,而不需要额外的成本.
