一个人工智能驱动的支持工具,用于预测尿液培养试验结果

科学领域:

• 医疗信息学 医疗信息学
• 临床诊断 临床诊断 临床诊断
• 医疗保健中的机器学习

背景情况:

• 尿培养试验对于诊断尿路感染至关重要,但有很长的周转时间.
• 尿液培养结果的快速预测可以显著改善患者管理和抗生素管理.
• 现有的诊断方法可能无法及时预测临床决策.

研究的目的:

• 开发和验证一个易于部署的人工智能 (AI) 驱动的模型,用于快速预测尿液培养试验结果.
• 为了比较各种机器学习模型的诊断性能,用于尿液培养预测.
• 在获得最终的尿液培养结果之前,为临床医生提供可操作的见解.

主要方法:

• 使用了大量的培训数据集 (34,584个样本) 和两个独立的测试集 (10,083个和9,289个样本).
• 比较各种机器学习模型的诊断性能,包括多层感知子 (MLP) 和多重逻辑回归 (MLR).
• 作为预测参数,纳入了尿液分析数据 (测量棒,流动细胞计),患者人口统计数据和样本采集方法.

主要成果:

• 多层感知子 (MLP) 模型实现了0.884的最高AUC,用于预测阳性尿液培养.
• 仅使用流细胞计参数的多重逻辑回归 (MLR) 显示出强大的性能,AUC为0.858.
• 预测结果根据概率比分类别,表示大量样本的阳性培养的概率.

结论:

• 开发的AI模型显示出有很大的潜力,可以通过在尿液培养结果最终确定之前提供预测,帮助临床医生做出决策.
• 该模型可以为大约三分之二的样本提供及时的见解,促进早期的临床干预.
• 这种人工智能驱动的方法提高了诊断效率,并支持了抗微生物药物管理工作.