使用机器学习算法识别严重发烧与血小板缺血综合征的早期预后生物标志物
Jie Zhu1, Jianmei Zhou1, Chunhui Tao1
1Institute of Clinical Virology, Department of Infectious Diseases, The Second Affiliated Hospital of Anhui Medical University, Hefei, China.
Annals of medicine
|January 13, 2025
概括
鉴定急性期生物标志物严重发烧与血小板缺血综合征 (SFTS) 是至关重要的. 使用α-基丁酸脱酶 (a-HBDH) 和其变化斜率的新模型准确地预测了SFTS死亡率.
科学领域:
- 传染性疾病 传染性疾病
- 生物标志物 生物标志物
- 机器学习 机器学习
背景情况:
- 严重发烧与血小板缺血综合征 (SFTS) 是一个重要的公共卫生问题.
- 确定可靠的生物标志物来预测SFTS死亡率对于及时的临床干预至关重要.
研究的目的:
- 为了确定SFTS的急性阶段生物标志物.
- 为SFTS死亡率结果开发一个预测模型.
主要方法:
- 多中心临床数据的回顾性分析.
- 基于组的轨迹建模 (GBTM) 来分析实验室指标趋势.
- 拉索回归用于特征选择和机器学习算法用于预后模型开发.
主要成果:
- 确定了七个关键指标 (ALT,AST,BUN,LDH,a-HBDH,DD和PLT) 和它们在发病后7-10天的变化斜率.
- 一个随机森林模型,使用8个选定的变量,实现了高性能 (AUC:0.961内部,0.948外部验证).
- 阿尔法-基丁酸脱酶 (a-HBDH) 和它的变化斜率,以及中枢神经系统症状,准确地预测死亡率.
结论:
- a-HBDH及其变化斜率是SFTS中死亡率的关键预测指标.
- 机器学习模型提供稳定高效的SFTS进展和结果预测.


