基于机器学习算法的A型流感儿童诊断模型
Qian Zeng1,2, Chun Yang1,2, Yurong Li1,2
1Clinical Laboratory, Children's Hospital Affiliated to Shandong University, Jinan, China.
Medicine
|December 5, 2023
概括
这项研究开发了一种使用血液测试数据的计算机算法模型,以快速准确地诊断儿童的A型流感. 该模型为早期诊断提供了一种更简单,更容易获得的替代传统核酸测试.
科学领域:
- 儿童传染病 儿童传染病
- 计算诊断的诊断 计算诊断的诊断
- 生物标志物发现发现
背景情况:
- 核酸检测,目前流感A诊断的黄金标准,是昂贵的,耗时的,并且在初级医疗保健机构中无法广泛使用.
- 需要一种快速,准确和简单的A型流感诊断方法,特别是用于儿童的早期检测.
研究的目的:
- 建立一个诊断模型,准确区分A型流感和儿童流感类疾病.
- 开发一个模型,利用随时可用的血液常规检测数据来早期诊断甲型流感.
主要方法:
- 在2019年12月至2023年8月期间,招募了4188名患有类似流感症状的儿童.
- 采用机器学习算法,包括随机森林,梯度提升决策树 (GBDT),XGBoost和物流回归 (LR) 用于模型开发.
- 使用验证数据集评估模型性能,专注于AUC,灵敏度和特异性.
主要成果:
- GBDT模型表现出最高的性能,AUC为0.872,灵敏度为77.23%,特异性为80.29%.
- 诊断的关键特征包括淋巴细胞 (LYM) 计数,年龄,血清粉样蛋白A (SAA),白细胞 (WBC) 计数和血小板与淋巴细胞的比率 (PLR).
- 所有开发的模型都显示出有希望的诊断能力,AUC值从0.784到0.872.87不等.
结论:
- 基于常规血液检测数据的诊断模型已成功建立,用于识别儿童的A型流感.
- 这种基于计算机算法的模型提供了一个准确且易于使用的工具,用于早期诊断流感A.
- 该模型的简单性和依赖常规血液检测使其适合在基层医院广泛采用.
