利用机器学习来使用血液学标记区分细菌和病毒诱导的喉炎:一个回顾性队列研究
Zhe Jin1, Fengmei Ma2, Haoyang Chen3
1School of Medical Technology, Hebei Medical University, Shijiazhuang, 050017, People's Republic of China.
Scientific reports
|December 21, 2023
概括
这项研究开发了一种机器学习模型,使用血液测试数据来区分细菌和病毒性炎. 该模型准确预测了感染类型,有助于适当使用抗生素.
科学领域:
- 医学诊断 医学诊断 医学诊断
- 传染性疾病 传染性疾病
- 计算生物学 计算生物学
背景情况:
- 区分细菌和病毒性喉炎对于有效的治疗和抗生素管理至关重要.
- 目前的诊断方法可能会耗时,可能并不总能提供明确的结果.
研究的目的:
- 开发和验证一种机器学习模型,用于准确区分细菌和病毒炎.
- 识别关键的血液学生物标志物,如单细胞与淋巴细胞比率,用于感染诊断.
主要方法:
- 从197名被诊断为细菌或病毒性喉炎的患者的血液学数据分析.
- 应用多种机器学习算法:随机森林,神经网络,决策树,支持向量机器,天真贝叶斯和拉索回归.
- 适应拉索回归模型在现场使用TI-84计算器进行计算.
主要成果:
- 识别明显的炎症特征,区分细菌和病毒感染.
- 经过调整的拉索回归模型实现了0.94的高曲线下面积 (AUC) (95% CI:0.925-0.955).
- 该模型可以从实验室参数进行感染概率的现场计算.
结论:
- 机器学习,特别是拉索回归模型,为快速准确的喉炎诊断提供了一个有前途的方法.
- 这种方法可以显著改善临床决策,导致更明智的抗生素处方.
- 单细胞与淋巴细胞的比率成为一个重要的诊断生物标志物.
