用基于患者报告的症状的机器学习模型检测儿科患者呼吸道同位素病毒的新方法:模型开发和验证研究
Shota Kawamoto1, Yoshihiko Morikawa1, Naohisa Yahagi1
1Graduate School of Media and Governance, Keio University, Fujisawa, Japan.
JMIR formative research
|April 12, 2024
概括
一个新的机器学习模型可以使用症状数据检测儿童的呼吸道同胞病毒 (RSV) 感染. 这种人工智能工具有助于快速诊断,可能减少对侵入性测试的需求,并使治疗更快.
科学领域:
- 儿童传染病 儿童传染病
- 医疗人工智能的人工智能
- 诊断技术 诊断技术 诊断技术
背景情况:
- 呼吸道同胞性病毒 (RSV) 对儿童,特别是高风险群体构成重大威胁.
- 目前对RSV的诊断方法需要改进,以便及时隔离感染者.
研究的目的:
- 评估用于检测RSV感染的机器学习模型.
- 评估模型使用时间症状数据进行诊断的能力.
主要方法:
- 开发了一个极端梯度增强机器学习模型,使用来自日本4174名儿科患者的数据.
- 通过结构化电子模板利用患者报告的症状.
- 使用接收器操作特征曲线 (AUC) 下的面积验证的诊断准确性.
主要成果:
- 该模型在RSV检测方面实现了0.811的AUC.
- 对于症状出现后3天内的患者,AUC为0.746.
- 该模型可能会消除对大约75%的患者进行额外测试的需求.
结论:
- 机器学习模型显示出在门诊和家庭环境中快速,非侵入性RSV检测的前景.
- 这项技术可以简化诊断,减少患者的不适,并促进及时治疗和隔离.
- 机器学习可以增强临床决策,用于早期检测RSV.


