长期COVID诊断与慢性莱姆病的区别使用机器学习和细胞因子中心
Bruce K Patterson1, Jose Guevara-Coto2, Javier Mora3
1IncellDx Inc, 30920 Huntwood Ave, San Carlos, Hayward, CA, 94544, USA. brucep@incelldx.com.
Scientific reports
|August 26, 2024
概括
一个新的机器学习模型使用细胞因子概况准确诊断长期COVID (LC) 或COVID-19 (PASC) 后急性后续. 这种方法将LC与慢性莱姆病区分开来,为更好的诊断和治疗提供了途径.
科学领域:
- 免疫学 免疫学 免疫学
- 计算生物学 计算生物学
- 医学诊断 医学诊断 医学诊断
背景情况:
- 长期COVID (LC) 或COVID-19 (PASC) 后急性后续症的特定诊断标准缺乏,阻碍了研究和治疗开发.
- LC/PASC和其他慢性炎症疾病之间的症状重叠使准确的识别变得复杂.
研究的目的:
- 开发和验证用于诊断LC/PASC的机器学习 (ML) 模型.
- 使用一种新的方法将LC/PASC与慢性莱姆病 (CLD) 区分开来.
主要方法:
- 利用来自347个人的细胞因子资料来训练和评估ML分类器,包括决策树,随机森林和梯度增强机器 (GBM).
- 在培训,评估和独立测试数据集上比较诊断性能.
- 开发了一个莱姆指数确认算法,以区分LC/PASC和CLD.
主要成果:
- 在初始评估组中,GBM模型在LC/PASC诊断上实现了89%的灵敏度和96%的特异性,没有过度拟合.
- 在一个独立的数据集上,GBM模型对LC/PASC显示了97%的灵敏度和90%的特异性.
- 莱姆指数算法有效地区分了LC/PASC和CLD.
结论:
- 对细胞因子集线的机器学习分析为LC/PASC提供了高度敏感和特定的诊断方法.
- 这种基于ML的方法为与LC/PASC相关的诊断挑战提供了潜在的解决方案.
- 开发的算法可以将长期的COVID与慢性莱姆病区分开来,有助于差异诊断.


