在线COVID-19诊断预测使用全血细胞计:公共卫生的创新工具
1Department of Clinical Laboratory, Affiliated Hangzhou First People's Hospital, Westlake University School of Medicine, Hangzhou, Zhejiang, 310000, China.
BMC public health
|December 20, 2023
概括
使用完整血液计数 (CBC) 参数的机器学习模型有效预测COVID-19,帮助诊断. XGBoost对CBC数据的分析实现了高精度,改善了患者的治疗结果.
科学领域:
- 医疗信息学 医疗信息学
- 计算生物学 计算生物学
- 传染病研究 传染病研究
背景情况:
- 由于各种症状与其他呼吸道疾病重叠,COVID-19的诊断具有挑战性.
- 完整血清 (CBC) 参数为疾病预测提供了潜在的生物标志物.
- 机器学习 (ML) 可以分析复杂的CBC数据以获得诊断见解.
研究的目的:
- 开发和评估使用CBC参数预测COVID-19的ML模型.
- 为了确定对COVID-19预测具有重要意义的关键CBC指标.
- 为了提高COVID-19患者的诊断准确度.
主要方法:
- 对2114名COVID-19患者进行了回顾性研究.
- 根据症状对发烧和肺炎进行分类.
- XGBoost算法应用于CBC数据进行预测建模.
- 使用AUC,精度,灵敏度,特异性和精度评估模型性能.
- 数据分为70%的培训和30%的验证集.
主要成果:
- XGBoost模型实现了0.920的AUC,证明了高预测性能.
- 确定了十大特征,包括年龄,单细胞%,MPV,淋巴细胞%,SIRI,乙氨基酸计数,血小板计数,血红蛋白,PDW和中性细胞计数.
- 该模型在训练 (AUC=0.977) 和验证 (AUC=0.912) 数据集上都表现出强的表现.
- 决策曲线和校准分析验证了模型的有效性.
结论:
- 使用CBC参数的ML模型为COVID-19数据分析提供了有效的工具.
- 这些模型可以提高诊断的准确性和治疗干预的有效性.
- 改进的诊断可能会导致COVID-19死亡率降低.
