支持矢量机在使用常规临床数据的登革热早期诊断中优于其他机器学习模型
Ariba Qaiser1, Sobia Manzoor1, Asraf Hussain Hashmi2
1Molecular Virology Lab, National University of Science and Technology (NUST), Atta-ur-Rehman School of Applied Biosciences (ASAB), Islamabad, Pakistan.
Advances in virology
|October 22, 2024
概括
机器学习模型可以预测登革热PCR结果,以改善监测. 支持矢量机 (SVM) 在识别登革热病毒 (DENV) 感染方面显示出最高的准确性.
科学领域:
- 流行病学 流行病学
- 传染性疾病 传染性疾病
- 计算生物学 计算生物学
背景情况:
- 积极的登革热监测对于检测病例,血清型和疾病负担至关重要.
- 机器学习 (ML) 模型为预测登革热PCR结果提供了一个有希望的方法,增强了预防性医疗保健.
- 本研究详细介绍了数据预处理,模型选择以及准确预测登革热PCR结果的机制.
研究的目的:
- 开发和评估用于预测登革热PCR结果的机器学习模型.
- 确定用于登革热诊断的最有效的ML算法.
- 为了记录在巴基斯坦流通的登革热血清型.
主要方法:
- 分析了巴基斯坦300名疑似登革热患者的数据 (2023年8月至10月).
- 使用NS1抗原ELISA,IgM/IgG抗体测试,以及用于检测登革热病毒 (DENV) 的血清型特定RT-PCR.
- 采用了逻辑回归,XGBoost,LightGBM,随机森林,SVM和CatBoost ML模型,使用人口,血清和血液学数据.
主要成果:
- 在300名患者中,有184名患者 (61.33%) 进行了PCR检测,结果为DENV.阳性.
- 发现的循环血清型是DENV-1 (4.89%),DENV-2 (92.93%) 和DENV-3 (2.17%).
- 支持矢量机 (SVM) 模型实现了最高的性能,精度为71.4%,回忆率为97.4%,精度为71.6%,调整后回忆率提高到100%.
结论:
- 该研究确定了巴基斯坦首都地区的三种流传的登革热血清型.
- SVM模型在预测登革热PCR结果方面表现出卓越的性能,为快速临床诊断提供了宝贵的工具.
- 实施ML模型可以显著帮助登革热的诊断和监测工作.
