一种机器学习方法,用于早期识别严重进口疟疾患者

科学领域:

• 传染性疾病 传染性疾病
• 计算生物学 计算生物学
• 临床医学 临床医学

背景情况:

• 进口疟疾在非特有地区构成了重大挑战.
• 准确预测临床结果对于有效的患者管理至关重要.
• 现有的严重疟疾标准可能不涵盖所有高危病例.

研究的目的:

• 开发和评估机器学习 (ML) 方法,用于预测进口疟疾患者的临床结果.
• 确定进口疟疾病例中负面结果的关键预测因素.
• 为优化进口疟疾的临床环境和治疗策略提供信息.

主要方法:

• 一个单一中心的横截面研究,涉及259名确诊疟疾患者.
• 利用各种ML技术,包括支持向量机,随机森林,特征选择和集群分析.
• 分析了2007年1月至2020年12月期间住院的患者的数据.

主要成果:

• 四个参数:AST,血小板计数,总 bilirubin 和寄生素血症与负面结果有显著的关联.
• 确定为关键预测因子的氨基转移酶和血小板计数,目前还没有列入世卫组织严重疟疾标准.
• 疟原虫 (Plasmodium falciparum) 是主要的物种 (78.3%),其中111名患者被归类为严重疟疾.

结论:

• 机器学习算法显示出作为预测疟疾临床结果的决策支持工具的前景.
• 预测模型可以帮助临床医生优化患者分配和个性化治疗策略.
• 识别新的预测标记可以提高严重疟疾分类的准确性.