对A组链球菌耳膜炎儿童使用无监督学习的分层分层

科学领域:

• 儿童传染病 儿童传染病
• 临床信息学是一种临床信息学.
• 机器学习在医疗保健中的应用

背景情况:

• 甲型链球菌 (GAS) 是细菌性喉炎的常见原因.
• 目前GAS喉炎的诊断标准依赖于儿科医生的判断,缺乏明确的定义.
• 建议快速抗原检测测试 (RADT) 用于选择性地用于GAS喉炎诊断.

研究的目的:

• 应用无监督学习来根据临床症状对GAS喉炎病例进行分类.
• 确定用于进一步调查和治疗GAS喉炎的特定临床指标.
• 提高GAS喉炎的诊断准确度,特别是在幼儿中.

主要方法:

• 对305名年龄在3-15岁的RADT阳性患者的分类数据的分析.
• 使用K模式集群,根据临床表现对患者进行分组.
• 统计检查与集群的变量关系和集群之间的差异.

主要成果:

• 通过K模式集群,确定了两个不同的患者群体.
• 集群1:年龄较大的儿童患有淋巴结敏感.
• 集群2:较年轻的儿童出现咳和鼻.

结论:

• 仅仅根据症状来区分GAS喉炎和常见的呼吸道感染是很困难的,特别是在幼儿中.
• 需要进行进一步的研究,以确定可靠的指标,以怀疑儿科患者的链球菌感染.
• 在GAS喉炎中,临床表现随年龄而异,需要量身定制的诊断方法.