使用机器学习对侵入性大肠杆菌病的风险因素进行无偏见的识别
Erik Clarke1, Christel Chehoud1, Najat Khan1
1Janssen Research and Development Data Sciences, Spring House, PA, USA.
BMC infectious diseases
|August 8, 2024
概括
机器学习确定了年龄较大,先前的尿路感染和紧急诊所作为侵入性大肠杆菌疾病 (IED) 的关键风险因素. 这种方法有助于发现老年人感染传染病的潜在风险因素.
科学领域:
- 传染性疾病 传染性疾病
- 机器学习 机器学习
- 公共卫生 公共卫生
背景情况:
- 侵入性大肠杆菌菌病 (IED) 是老年人中败血症和细菌病的重要原因,通常与抗菌素耐药性有关.
- 患者的特征可能会影响发展IED的风险,需要识别这些因素.
研究的目的:
- 验证机器学习 (ML) 方法,以无偏见地识别与IED风险增加相关的潜在风险因素.
- 描述患者特征与开发IED的结果之间的特定关系.
主要方法:
- 一个XGBoost模型使用650万个人的电子健康记录进行了训练,分析了663个不同的患者特征.
- 采用沙普利添加剂预测值 (SHAP) 来理解特征-结果关系,并确定IED的关键预测因素.
主要成果:
- ML模型证实,年龄较大是IED的重要风险因素.
- 尿路感染 (UTI) 的病史,包括频率和近期,以及之前的急诊室或住院访问被确定为增加IED风险.
- 计算了风险比率,以量化个人和组合特征对IED发病率的影响.
结论:
- 该研究表明,利用大型电子健康记录和ML来识别IED等传染病相关特征和潜在风险因素的有效性.
- 使用常规方法对已识别的潜在风险因素进行独立验证是建议的下一步.
