机器学习算法用于早期检测患有骨关节感染的儿童的血液感染
Yuwen Liu1, Yuhan Wu2, Tao Zhang3
1Department of Orthopaedic Surgery, Children's Hospital of Nanjing Medical University, Nanjing, China.
Frontiers in pediatrics
|December 26, 2024
概括
机器学习可以准确地识别患有骨感染的儿童的血液感染 (BSI). 这种工具有助于早期诊断,改善患者的治疗结果和临床决策.
科学领域:
- 儿童传染病 儿童传染病
- 医学机器学习 医学机器学习
- 计算诊断的诊断 计算诊断的诊断
背景情况:
- 血流感染 (BSI) 在儿科骨关节感染中具有关键风险.
- 早期发现BSI对于有效治疗和改善患者结果至关重要.
- 这项研究的重点是开发一种机器学习 (ML) 模型,用于在儿科患者中早期识别BSI.
研究的目的:
- 开发和验证一种机器学习模型,用于早期检测患有骨关节感染的儿科患者的血液感染 (BSI).
- 在这个患者群体中确定BSI的关键早期指标.
- 加强临床决策过程,以管理儿科骨关节感染.
主要方法:
- 对患有骨关节感染的儿科患者 (2012-2023) 的回顾性分析.
- 利用血液和穿孔液培养,选择16个早期可用的变量.
- 应用并比较了八个机器学习算法,使用精度和AUC评估性能;SHAP值解释了变量重要性.
主要成果:
- 随机森林模型表现出卓越的性能,AUC为0.947±0.016.
- 获得了高精度 (0.895 ± 0.023),灵敏度 (0.847 ± 0.071) 和特异性 (0.917 ± 0.007).
- 关键预测变量包括前素 (PCT),中性粒细胞计数 (N),白细胞计数 (WBC) 和发烧持续时间.
结论:
- 随机森林模型对于在儿科骨关节感染中早期及时识别BSI是有效的.
- 这种ML模型可以支持临床决策,并减轻延迟/不准确的血培结果带来的风险.
- 通过ML早期发现BSI可以显著改善儿科骨关节感染的管理.
