机器学习用于预测波多黎各严重登革热的情况
Zachary J Madewell1, Dania M Rodriguez2, Maile B Thayer2
1Division of Vector-Borne Diseases, Centers for Disease Control and Prevention, San Juan, Puerto Rico, USA. ock0@cdc.gov.
Infectious diseases of poverty
|February 5, 2025
概括
机器学习模型准确地预测严重的登革热,超过了传统的警告信号. 这项技术可以改善临床环境中的早期检测和患者管理.
科学领域:
- 传染病流行病学 传染病流行病学
- 计算生物学 计算生物学
- 临床决策支持 临床决策支持
背景情况:
- 准确预测严重的登革热对于降低死亡率至关重要.
- 世界卫生组织 (WHO) 的警告标志在敏感性和特异性上有局限性.
- 这项研究评估了机器学习 (ML) 模型与世卫组织预测严重登革热的警告信号.
研究的目的:
- 在预测严重登革热时,将各种ML模型的性能与世卫组织推的警告标志进行比较.
- 在实验室确诊病例中确定严重登革热的关键预测因素.
- 评估ML模型在资源有限的环境中的适用性.
主要方法:
- 来自波多黎各登革热监测系统 (2012-2024) 的40个临床,人口和实验室变量的分析.
- 使用五倍交叉验证和AUC-ROC指标对9个ML模型进行培训和评估.
- 部分分析不包括血度和白血症,以模拟资源有限的场景.
主要成果:
- 渐变增强算法 (CatBoost) 在严重登革热预测方面实现了最高的AUC-ROC,为97.1%.
- 关键预测因素包括血度,白血病和症状发病时间 (4-6天).
- 在排除实验室参数时,ML模型显示性能降低最小 (AUC-ROC 96.7%),超过了世卫组织联合警告信号 (AUC-ROC 74.0%).
结论:
- 机器学习模型,特别是梯度增强,在严重登革热预测方面显著优于传统的警告信号.
- 将ML整合到临床决策支持中可以增强高风险患者的早期识别.
- 机器学习模型甚至在资源有限的环境中也显示出实用性,有助于及时干预.
