儿童急性髓性白血病中的血液感染和机器学习模型:单一机构分析

科学领域:

• 儿科瘤学 儿科瘤学
• 传染性疾病 传染性疾病
• 医疗保健中的机器学习

背景情况:

• 儿童急性髓性白血病 (AML) 治疗涉及密集化疗,增加危及生命的血液感染 (BSI) 的风险.
• 准确和早期预测BSI对于及时干预和改善患者结果至关重要.

研究的目的:

• 评估机器学习 (ML) 模型在使用电子医疗记录预测小儿AML患者的BSI中的有效性.
• 为了比较ML模型的预测性能与传统的临床指标,如发烧和中性质减退.

主要方法:

• 对2005年至2019年期间治疗的儿科AML患者电子病历的回顾性分析.
• 应用标准统计方法和各种ML模型,包括规范后勤回归,来预测BSI.
• 排除患有唐氏综合征AML或急性前兆细胞白血病的患者.

主要成果:

• 性能最好的ML模型,正则化后勤回归,实现了0.748.8的曲线下的面积 (AUC).
• 与中性质衰竭 (37.5%的增加) 和发烧 (2.6%的增加) 相比,ML模型显示了更好的特异性.
• 较高的细胞氨基酸剂量与BSI风险增加有关 (OR 1.110),而预防性Levovofloxacin-Vancomycin降低了BSI风险 (OR 0.495).

结论:

• 机器学习模型在预测儿科AML患者的BSI方面表现有希望,比传统指标提供更高的准确性.
• 化疗药物,如细胞胺,增加BSI风险,而预防性抗生素可以减轻这种风险.
• ML模型在临床实践中提供灵活性,允许调整BSI预测的灵敏度和特异性值.