使用基于生物标志物的机器学习算法,早期预测败血症引起的呼吸道感染
Mingkuan Su1,2, Haiying Wu1,2, Hongbin Chen1,2
1Department of Laboratory Medicine, Mindong Hospital of Ningde City, Fuan City, China.
概括
机器学习准确地预测了败血症引起的呼吸道感染 (RTI). 使用七个生物标志物的XGBoost模型,实现了89.24%的准确性,有助于早期的败血症诊断和减少过度使用抗生素.
科学领域:
- 医疗信息学医学信息学
- 计算生物学是一种计算生物学.
- 传染病研究传染病研究.
背景情况:
- 早期的败血症诊断对于患者的治疗结果和抗生素管理至关重要.
- 败血症引起的呼吸道感染 (RTI) 带来了诊断上的挑战.
研究的目的:
- 为了确定败血症的预测因素.
- 开发一种机器学习 (ML) 策略,用于预测败血症引起的RTI.
主要方法:
- 对患有败血症和RTI的患者的回顾性分析.
- 用于生物标志物选择的递归特征消除与交叉验证 (RFECV).
- 开发和评估使用精选生物标志物的9个ML模型.
主要成果:
- 使用七个生物标志物的XGBoost分类器,实现了最高的准确性 (89.24% ± 2.28%).
- 其他ML模型也显示出高预测准确度 (>88%).
- 对于ML模型,RFECV有效地确定了最佳生物标记子集.
结论:
- 结合RFECV和ML方法可以有效预测败血症.
- 在XGBoost分类器显示承诺及时和准确的败血症识别.
- 这一策略可以改善早期诊断,减少不必要的抗生素使用.
