机器学习方法用于识别旅行者的疟疾风险,使用现实世界的证据

科学领域:

• 旅行医药 旅行医药
• 传染病流行病学 传染病流行病学
• 医疗信息学 医疗信息学

背景情况:

• 旅行前的咨询和疟疾化学预防对于预防旅行者进口疟疾至关重要.
• 电子医疗记录 (EMR) 为了解旅行相关的健康风险提供了有价值的数据来源.
• 开发预测工具可以为个人旅行者优化疟疾预防策略.

研究的目的:

• 开发和验证用于评估旅行者个性化疟疾风险的预测工具.
• 根据个体风险因素指导医生推适当的疟疾化学预防.
• 提供最佳实践建议,用于预处理旅行健康的真实世界证据数据.

主要方法:

• 利用了大型EMR数据集,包括旅行者人口统计和目的地.
• 采用各种数据预处理策略来处理缺失和不平衡的数据.
• 对比了多个机器学习模型,包括XGB,用于疟疾风险预测,并使用SHAP值进行特征重要性分析.

主要成果:

• XGB模型显示了对疟疾风险的高预测能力 (AUC>0.80).
• 关键预测因素包括低风险的旅行目的地,疫苗接种史,访问的国家数量,年龄和旅行时间.
• 一个简化的5个特征模型发现60%的旅行者接受了不必要的化学预防.

结论:

• 开发了一个算法工具,通过简短的调查提供个性化的疟疾风险评估.
• 该工具有效地减少了不必要的疟疾化学预防处方.
• 该模型通过识别风险预测模式来提高旅行前咨询的有效性.