通过使用基线实验室测试和通过基于机器学习的算法对急性发烧性疾病病例的地理空间映射来预测瘦肉素

科学领域:

• 传染性疾病 传染性疾病
• 流行病学 流行病学
• 医疗信息学 医疗信息学

背景情况:

• 牛螺杆菌,由 * Leptospira * 细菌引起的动物感染,正在全球重新出现.
• 由于非特异性症状,该疾病带来了诊断挑战,并可能导致严重的结果,死亡率高.
• 恶劣的卫生条件和城市化与受影响地区的风险增加有关.

研究的目的:

• 为了调查实验室参数和螺杆菌病诊断之间的关联.
• 使用地理绘图识别空间模式和高风险区域.
• 评价机器学习模型在白病预测中的实用性.

主要方法:

• 一项观察性回顾性研究分析了325名怀疑患有白病的患者在一年内.
• 使用了实验室调查,地理绘图和机器学习 (k-最近邻居 - KNN).
• 使用IgM ELISA进行了白病的实验室确认.

主要成果:

• 在325名患者中,43人 (13.2%) 的测试结果为白螺旋菌阳性.
• 地理地图显示了印度西孟加拉州的病例集群,其中一些病例来自特里普拉和孟加拉国.
• 在个别实验室参数和诊断之间没有发现显著的关联;KNN显示了74%的准确性 (AUC0.6).

结论:

• 地理地图识别了白螺杆菌病例群,但与个别实验室参数没有强有力的联系.
• 机器学习模型,特别是KNN,对于白病提供了适度的预测准确性.
• 登革热和草伤寒的临床特征重叠使西孟加拉邦等流行地区的诊断复杂化.