预测阳性Clostridioides difficile测试结果使用大规模的人口统计和药物历史的纵向数据
Anh Pham1, Robert El-Kareh1,2, Frank Myers2
1Division of Biomedical Informatics, Department of Medicine, University of California San Diego, La Jolla, CA, USA.
Heliyon
|February 17, 2025
概括
新的预测模型使用可解释的算法准确地识别高风险的Clostridioides difficile感染的患者. 这些模型可以帮助医疗机构有效管理感染风险.
科学领域:
- 医疗信息学 医疗信息学
- 流行病学 流行病学
- 医疗保健中的机器学习
背景情况:
- 困难菌感染 (CDI) 构成了医疗保健方面的重大挑战.
- 目前的CDI预测模型缺乏最佳的性能,可解释性或样本大小.
- 由于医疗和财务压力,医疗保健机构需要有效的工具来控制CDI.
研究的目的:
- 为积极的Clostridioides difficile测试结果开发准确和可解释的预测模型.
- 确定反映长期健康状况并影响CDI风险的关键患者数据共变量.
- 通过提高歧视性能和共变量选择来改进现有的预测模型.
主要方法:
- 利用了157,493名加利福尼亚大学圣地亚哥卫生院患者的数据集,这些患者有着广泛的药物治疗史.
- 开发并比较了三个模型:逻辑回归,随机森林和集合,使用十倍交叉验证.
- 使用接收器运行特征曲线 (AUROC) 下的区域评估模型性能,并通过系数和吉尼指数分析模型可解释性.
主要成果:
- 集团模型实现了0.866的最高测试AUROC,后勤回归率为0.839,随机森林为0.851.
- 确定了重要的风险因素,包括年龄,免疫抑制治疗,先前使用抗生素和某些胃肠道药物.
- 所有模型都表现出高的歧视性能 (AUROC > 0.83).
结论:
- 开发了高度区分和可解释的模型来预测Clostridioides difficile感染风险.
- 关于影响CDI易感性的关键预测因素的确认共识,与临床证据保持一致.
- 这些模型为医疗保健提供者提供了一种有价值的工具,以评估和管理患者CDI风险.
