使用随机森林和生物标志物来区分COVID-19和Mycoplasma pneumoniae感染
Xun Zhou1, Jie Zhang2, Xiu-Mei Deng1
1Department of Clinical Laboratory, The Second Hospital of Nanping, Nanping, 354200, Fujian, China.
Scientific reports
|September 30, 2024
概括
机器学习,特别是随机森林分析,有效地区分COVID-19和Mycoplasma pneumoniae感染,使用CRP和IL-6等关键生物标志物. 这种方法可以提高呼吸道疾病的诊断准确度.
科学领域:
- 传染性疾病 传染性疾病
- 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:
- 随着COVID-19的流行,人们在区分类似的呼吸道感染方面面临着挑战.
- 准确诊断COVID-19和Mycoplasma pneumoniae (MP) 等感染对于有效治疗至关重要.
- 生物标志物识别和机器学习为改善诊断精度提供了潜力.
研究的目的:
- 评估关键生物标志物的诊断性能,以区分COVID-19和MP感染.
- 应用随机森林分析来评估选定的生物标志物的歧视力.
- 探索机器学习在增强传染病诊断方面的实用性.
主要方法:
- 对214名患者的临床和实验室数据进行了回顾性分析.
- 分类为COVID-19阳性,MP阳性和共感染组.
- 生物标志物的评估:C反应蛋白 (CRP),前素 (PCT),白血球 (WBC) 和白血细胞 (IL-6) 的计数.
- 随机森林分析和SHAP特征的应用对于分类和预测因素的识别具有重要意义.
主要成果:
- 随机森林模型实现了高分类性能 (AUC从0.69到0.90不等).
- 发现的关键预测因素包括年龄,CRP,IL-6和PCT.
- 该模型的整体准确度为0.77.
- 精密回忆分析显示微平均AUC为0.80.
结论:
- 随机森林分析有效地使用临床和生物标志物数据将COVID-19与MP感染区分开来.
- 特定的生物标志物和机器学习集成为精确的传染病诊断提供了一个有希望的策略.
- 这些发现支持在精准医学中开发有针对性的诊断方法.
