基于常规实验室参数的机器学习模型用于预测基因阳性和基因阴性细菌血流感染
Fan Zhang1, Hao Wang1, Liyu Liu2
1Department of Critical Care Medicine, Qilu Hospital of Shandong University, Jinan, 250012, Shandong, China.
BMC infectious diseases
|October 10, 2023
概括
机器学习模型可以使用常规实验室测试来预测阳性和阴性细菌病. 这有助于在已知病原体结果之前及时选择败血症患者的抗生素.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
- 临床微生物学 临床微生物学
背景情况:
- 细菌血流感染是导致败血症和败血性休克的主要原因.
- 早期发现病原体对于有效的抗生素治疗和患者的生存至关重要.
- 常规实验室参数为快速诊断预测提供了一个潜在的来源.
研究的目的:
- 开发和验证一种机器学习 (ML) 模型,用于预测格拉姆阳性与格拉姆阴性细菌病.
- 利用现有的实验室数据进行早期风险分层.
- 为指导重症患者经验性抗生素治疗.
主要方法:
- 从MIMIC数据库中使用了大量数据集 (2118名患者) 来进行模型培训和测试.
- 从374个常规实验室血液检测变量中提取和选择了相关特征.
- 采用了五种ML算法,包括随机森林 (RF) 和卷积神经网络 (CNN),用于分类.
- 在来自Qilu医院的132名患者的独立队列上验证了该模型.
主要成果:
- 在特征选择后,使用了32个变量. 射频和CNN都表现出了卓越的性能.
- 射频模型在测试队列中实现了0.768的ROC-AUC.
- 一个简化的决策树 (DT) 模型显示AUC为0.679,在外部验证队列中表现相似.
- 开发了用于RF和DT模型预测的用户友好的软件.
结论:
- 使用常规实验室结果,ML模型有效地区分了格拉姆阳性和格拉姆阴性细菌病.
- 这些模型可以帮助临床医生为细菌病患者及时做出抗生素选择.
- 开发的模型提供了一种实际的工具,可以在确定病原体之前改善败血症管理.
