使用全血细胞计参数和C-反应蛋白预测社区获得的婴儿血流感染;一项机器学习研究

科学领域:

• 儿童传染病 儿童传染病
• 临床机器学习 临床机器学习
• 生物标志物发现发现

背景情况:

• 婴儿血流感染 (BSI) 呈现非特异性症状,使早期诊断复杂化.
• 血液培养结果是BSI诊断的黄金标准,需要长达48小时,往往导致经验性抗生素使用.
• 准确及时识别没有BSI的婴儿对于防止不必要的抗生素暴露和诊断至关重要.

研究的目的:

• 开发和评估用于识别不太可能患有BSI.的婴儿的预测模型.
• 为了利用常规可用的临床数据,特别是全血计 (FBC) 和C反应蛋白 (CRP) 水平.
• 为了减少怀疑BSI的婴儿不必要的抗生素治疗的负担.

主要方法:

• 训练了多个机器学习模型 (逻辑回归,LDA,kNN,SVM,随机森林,决策树) 来自2693名婴儿 (7-60天) 的数据,怀疑BSI.
• 利用从2005年至2022年期间在三级儿科医院接受治疗的婴儿的FBC和CRP值.
• 在完整数据集和单独的2023数据集上验证了表现最好的模型 (决策树,随机森林).

主要成果:

• 所有测试的模型都显示了可比的灵敏度 (47%-62%) 和特异性 (85%-95%).
• 决策树和随机森林模型有效地将婴儿分为BSI的低风险和高风险组.
• 负预测值很高 (>99%的完整数据集,>97%的2023年数据集),表明在排除低风险婴儿中BSI的高度信心.

结论:

• 开发了机器学习模型,能够预测年龄在7-60天的婴儿怀疑BSI.的负血培养.
• 这些模型显示有潜力指导临床决策,减少不必要的抗生素给药和诊断程序.
• 这些模型的实施可以改善抗生素管理和儿科护理中的患者结果.