机器学习模型的开发和验证,以预测HIV阴性加密球菌脑膜炎患者的预后:一项多中心研究

科学领域:

• 神经学 神经学
• 传染性疾病 传染性疾病
• 医疗信息学 医疗信息学

背景情况:

• 加密球菌脑膜炎 (CM) 构成重大威胁,特别是在HIV阴性个体中.
• 准确的预后预测对于有效的管理和个性化的治疗策略至关重要.

研究的目的:

• 开发和验证一种机器学习 (ML) 模型,用于预测HIV阴性CM患者的预后.
• 确定影响患者结果的关键临床和实验室变量.

主要方法:

• 分析了来自中国三所高等医疗中心的523名HIV阴性CM患者的队列.
• 在开始抗真菌治疗后10周评估了预后.
• 开发了一种人工智能 (AI) 模型,用于在脑脊液 (CSF) 中检测和量化加密菌.

主要成果:

• 最终的ML模型包含了八个变量:CSF密码球菌数量,CSFWBC,改变精神状态,听力障碍,CSF化物,CSF开口压力,AST水平,以及CSF密码球菌数量在两周内下降的速度.
• 内部,时间和外部验证显示出强大的预测性能,AUC分别为0.87,0.92和0.86.
• 人工智能模型实现了0.993的密码球菌检测的平均平均精度 (mAP).

结论:

• 开发的ML模型为预测艾滋病毒阴性CM的预后提供了可靠的工具.
• 在早期治疗期间,脑脊髓液中密码球菌数量的变化率是显著的预后指标.
• 在CSF中人工智能驱动的加密球菌检测提高了准确性和效率,减少了人为错误和检查员的工作量.