基于机器学习算法,构建和验证儿科灌木伤寒中脑膜炎的预测模型,基于机器学习算法
Yonghan Luo1,2,3, Wenrui Ding1,2, Xiaotao Yang1,2
1Second Department of Infectious Disease, Kunming Children's Hospital, Kunming, People's Republic of China.
Emerging microbes & infections
|February 18, 2025
概括
机器学习模型有效地预测了带有脑膜炎 (STME) 的儿科擦伤伤寒. 关键预测因素包括费里和白细胞计数,指导早期诊断和治疗以获得更好的结果.
科学领域:
- 传染性疾病 传染性疾病
- 儿科 儿科 儿科
- 计算生物学 计算生物学
背景情况:
- 儿科擦伤伤寒 (ST) 可以导致脑膜炎 (STME),这是一个严重的并发症.
- 准确和早期诊断STME对于有效的治疗和改善患者的结果至关重要.
- 预测模型可以帮助临床医生识别高风险儿科患者.
研究的目的:
- 分析儿科STME的临床特征.
- 开发和验证用于预测儿童STME的机器学习模型.
- 确定STME的关键临床预测因素.
主要方法:
- 对100例儿科STME病例和100例没有脑膜炎的ST病例进行了回顾性分析.
- 倾向性得分匹配用于病例对照比较.
- 最小绝对收缩和选择运算符 (LASSO) 回归用于特征选择.
- 开发和验证六种机器学习模型 (逻辑回归,K-最近邻居,天真贝叶斯,MLP,随机森林,XGBoost).
- 对于变量重要性排名的沙普利增量解释 (SHAP).
主要成果:
- 为预测STME,确定了12个重要的临床特征.
- 多层感知器 (MLP) 模型显示出强大的性能 (AUC 0.897训练,0.817测试).
- XGBoost 模型也表现出高性能 (AUC 0.926 训练, 0.740 测试).
- 关键预测因素包括费里丁,白细胞计数,胀和前热血素时间.
- 所有接受阿齐思罗米/多西环林治疗的患者都表现出良好的结果.
结论:
- 机器学习模型,特别是MLP和XGBoost,为预测儿科STME提供了重要的临床实用性.
- 使用这些模型早期识别STME可以促进及时干预.
- 以多西环林为基础的疗法的有效治疗导致了积极的患者结果.
