通过机器学习使用时间序列胸部放射和实验室数据来识别肺部感染和Acinetobacter baumannii的殖民

科学领域:

• 医疗信息学医学信息学
• 传染病诊断 传染病诊断 传染病诊断
• 机器学习在医疗保健中的应用

背景情况:

• 在Acinetobacter baumannii患者中,区分肺部感染与殖民是适当治疗的关键.
• 滥用抗生素或不充分的治疗可能是错误诊断的结果.
• 自动化工具可以指导个性化干预,改善患者的治疗结果.

研究的目的:

• 开发一种机器学习模型,用于对Acinetobacter baumannii患者的肺部状况进行分类.
• 为了使用时间序列的胸部放射和实验室数据进行准确的分类.

主要方法:

• 使用时间序列数据使用嵌套后勤回归模型.
• 功能包括来自胸部X光学和实验室值的动态肺炎指标在三个时间点.
• 对152名患有Acinetobacter baumannii的患者进行了回顾性分析.

主要成果:

• 使用多个时间序列数据的模型实现了AUC为0.850,准确度为0.761,灵敏度为0.833.
• 一个具有单个时间点特征的模型的AUC较低,为0.741.
• 胸部X射线扫描肺炎得分的差异是一个有影响力的变量.

结论:

• 机器学习应用于动态时间序列数据,可以准确地分类Acinetobacter baumannii殖民与感染.
• 这种方法支持临床医生提供早期,个性化的患者治疗.