机器学习管道用于血液培养结果预测,使用西澳大利亚的Sysmex XN-2000血液样本结果

科学领域:

• 医学诊断 医学诊断 医学诊断
• 医疗保健中的机器学习
• 临床病理学 临床病理学

背景情况:

• 血流感染 (BSI) 构成了全球严重的健康负担,需要准确有效的诊断方法.
• 目前的血液培养 (BC) 测试往往具有较低的阳性产量,并且过度利用,导致抗菌素使用和耐药性增加.
• 对BC检测的诊断管理对于优化资源配置和打击不断上升的抗菌素耐药性至关重要.

研究的目的:

• 开发和验证一种机器学习 (ML) 管道,用于预测血液培养 (BC) 结果.
• 利用常规分析的血液样本数据,包括全血细胞计 (CBC),白细胞差异 (DIFF) 和细胞群数据 (CPD),用于ML模型训练.
• 评估ML模型在改善BC检测诊断产量的有效性.

主要方法:

• 训练有素的ML模型,包括XGBoost和随机森林,使用2018-2019年的回顾性CBC,DIFF和CPD数据.
• 雇佣Boruta特征选择 (BFS) 确定最佳特征集用于模型培训.
• 使用分层十倍交叉验证和内部/外部验证数据集评估模型性能.

主要成果:

• 一个使用CBC/DIFF/CPD和BFS的XGBoost模型在内部验证中获得了0.76的AUC.
• 使用CBC/DIFF和BFS的随机森林模型显示AUC得分为0.82 (内部) 和0.76 (外部).
• 两种模型都在预测BC结果方面表现出实用性,随机森林模型在外部数据上表现强.

结论:

• 该研究成功地证明了ML管道对BC结果预测的实用性,使用CBC/DIFF和CBC/DIFF/CPD数据.
• 这项研究有助于ML应用在不断增长的领域,改善血液感染的诊断准确性.
• 开发的ML管道为未来的研究提供了一个有希望的途径,以加强BC测试和诊断管理.