基于机器学习的预后预测,用于医院住院的艾滋病毒/艾滋病患者加密球菌感染在广西,中国

科学领域:

• 计算生物学和生物信息学
• 传染病流行病学 传染病流行病学
• 机器学习在医疗保健中的应用

背景情况:

• 加密球菌感染对人类免疫缺陷病毒/获得免疫缺陷综合征 (HIV/AIDS) 患者构成重大死亡风险.
• 准确预测与死亡率相关的因素对于改善中国广西的患者结果至关重要.

研究的目的:

• 开发和验证机器学习模型,用于预测艾滋病毒/艾滋病患者的死亡率.
• 确定关键的预后因素,以帮助降低住院死亡率.

主要方法:

• 对396名患有密码球菌病的艾滋病毒/艾滋病患者的回顾性研究 (2011年10月 - 2019年6月).
• 使用20个选定的临床特征训练了10个机器学习模型 (包括随机森林和支持矢量机器).
• 用灵敏度,特异性,AUC和F1得分来评估模型性能;通过SHAP分析进行最佳模型解释.

主要成果:

• 随机森林 (RF) 模型实现了0.9787的AUC,支持矢量机 (SVM) 模型实现了0.9286.6的AUC.
• 死亡率的关键预测因素包括血尿素/肌素比率 (BUN/CREA),电解质障碍,中性粒细胞百分比 (NEUT%),尿素和间接 bilirubin (IBIL).
• 该研究确定了20个重要的临床特征,包括抗逆转录病毒疗法 (ART),电解质障碍和贫血.

结论:

• 射频和SVM模型显示出对患者预后有很强的预测能力.
• 这些经过验证的机器学习模型可以帮助临床医生为住院的艾滋病毒/艾滋病患者做出明智的治疗和管理决策.