机器学习模型的开发,以支持低成本的实时监测Legionella在场所的管道系统

科学领域:

• 环境微生物学环境微生物学
• 计算生物学是一种计算生物学.
• 公共卫生 公共卫生

背景情况:

• 肺炎菌会导致军团士兵病,这是一种严重的肺炎,死亡率高,特别是在老年人中.
• 越来越多的病例需要改进的抽样策略和风险评估对军团菌.
• 医疗保健机构和其他高风险地区需要快速准确的决策工具来管理军团菌.

研究的目的:

• 开发一个计算模型,以快速准确地对建筑水系统中军团菌的存在做出决定.
• 将易于测量的物理化学水质参数和建筑水系统生态学整合到预测模型中.
• 根据宿主细胞的存在和水质,估计雷地昂尼拉基因拷贝度的概率.

主要方法:

• 利用统计学习理论,一种机器学习方法,来构建预测模型.
• 纳入宿主细胞 (例如,阿米巴) 的度和物理化学水质参数.
• 采用LASSO算法来估计宿主细胞度和逻辑回归来预测军团菌度范围.

主要成果:

• 传统的回归模型量化了生态条件和预测的军团菌度之间的关联.
• 机器学习方法 (PCA和LASSO) 通过物理化学指标证明了通过物理化学指标准确实时监测军团菌的可行性.
• 模型验证显示了良好的预测准确性,突出了水质对宿主细胞和微生物生态的影响的重要性.

结论:

• 开发的计算模型使得在建筑水系统中对军团菌进行更明智的管理决策.
• 通过机器学习分析的生理化学指标,为实时的军团菌监测提供了可行的方法.
• 了解水质,宿主细胞和微生物生态之间的相互作用对于有效的军团菌风险管理至关重要.