MALrisk:一种基于机器学习的工具,用于预测发烧的返回旅行者中的进口疟疾

科学领域:

• 传染病流行病学 传染病流行病学
• 医疗保健中的人工智能
• 旅行 医学 旅行 医学

背景情况:

• 早期诊断Plasmodium falciparum疟疾对于减少国际旅行者的死亡率至关重要.
• 在一些医疗保健机构,对诊断测试的有限准入阻碍了及时检测疟疾.
• 人工智能 (AI) 提供了增强发烧旅行者的管理潜力.

研究的目的:

• 开发和验证一种机器学习模型,用于预测发烧旅行者的疟疾病例.
• 确定该人口中疟疾预测的关键临床和人口统计特征.
• 创建一个工具,在资源有限的环境中改进疟疾诊断.

主要方法:

• 一项多中心前性研究收集了来自发烧旅行者的数据.
• 通过交叉验证训练和验证了11个机器学习模型.
• 优化了表现最好的模型 (XGBoost),并开发了一个减少的模型 (MALrisk).

主要成果:

• XGBoost获得了最高的性能,AUC为0.98.
• 使用六个特征的降低MAL风险模型,显示出100%的灵敏度和72%的特异性.
• 关键的预测特征包括去非洲旅行,血小板数低,皮疹,呼吸系统症状,高白血症和化疗预防.

结论:

• MALrisk模型可以促进在非流行地区的早期疟疾识别.
• 它支持启动实证抗疟药物和当诊断测试不可用时的紧急转移.
• 作为一个可扩展的数字工具,MALrisk可以通过延迟诊断来减少与疟疾相关的发病率.