利用人工智能和细胞人口数据,及时识别住院患者的细菌病
Wei-Hsun Chen1, Yu-Hsin Chang1, Chiung-Tzu Hsiao2
1Department of Emergency Medicine, China Medical University Hospital, Taichung, Taiwan; School of Medicine, College of Medicine, China Medical University, Taichung, Taiwan.
International journal of medical informatics
|January 17, 2025
概括
使用细胞人口数据 (CPD) 的机器学习模型可以准确地预测住院患者的细菌病. 在住院数据上训练的模型优于在急诊室数据上训练的模型,用于早期检测细菌病.
科学领域:
- 医学诊断 医学诊断 医学诊断
- 医疗保健中的人工智能
- 血液学 血液学 血液学
背景情况:
- 细菌病是高死亡率的严重疾病,需要快速检测以预防败血症.
- 传统的血液培养是耗时的,需要更快的诊断方法.
- 细胞人口数据 (CPD) 提供了对白细胞特征的洞察力,用于早期检测细菌病.
研究的目的:
- 开发和评估用于预测住院患者细菌病的机器学习模型.
- 为了比较训练在急诊室 (ED) 数据上的模型的表现与住院患者的数据.
- 评估CPD对细菌病预测准确性的贡献.
主要方法:
- 机器学习模型使用完整血清 (CBC),差异计数 (DC) 和CPD数据进行训练.
- 开发了两个模型集:一个用于ED数据,一个专门用于住院患者.
- 模型的性能在三个医院的住院患者队列上进行了评估.
主要成果:
- 在住院患者数据上训练的模型显示出优异的细菌病预测性能 (AUROC 0.772-0.843).
- 近一半的顶级预测特征被确定为CPD参数.
- 专门的住院患者模型在所有队伍中都超过了ED训练的模型.
结论:
- 整合CPD数据的AI模型准确地预测住院患者的细菌病.
- 住院患者特异型模型显示出比基于ED的模型更好的预测准确度.
- 进一步的研究应该调查这些AI模型在指导抗生素管理和患者管理方面的临床实用性.
更多相关视频
08:30One-day Workflow Scheme for Bacterial Pathogen Detection and Antimicrobial Resistance Testing from Blood Cultures
Published on: July 9, 2012
25.4K
09:07Author Spotlight: Accelerating Diagnostic Accuracy with Direct Identification of Gram-Negatives from Blood Culture Bottles
Published on: May 24, 2024
770
