基于机器学习的预测模型用于患有 Staphylococcus aureus bacteremia 复发症的患者
Yuan Li1,2, Shuang Song1, Liying Zhu1
1Department of Infectious Disease, Nanjing First Hospital, Nanjing Medical University, Nan jing, 210006, China.
BMC medical informatics and decision making
|February 25, 2025
概括
机器学习可以准确地预测复发的金黄色葡萄球菌菌病 (SAB),包括耐甲基西林金黄色葡萄球菌 (MRSA) 感染. 这种工具有助于医生在早期评估和主动干预中获得更好的患者结果.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
- 传染病流行病学 传染病流行病学
背景情况:
- 黄金葡萄球菌菌病 (SAB) 由于高复发率和死亡率,存在重大挑战.
- 在COVID-19后,SAB的发病率,特别是耐甲基金色葡萄球菌 (MRSA) 感染的发病率有所增加.
- 有效的预测模型对于及时的临床干预至关重要.
研究的目的:
- 开发和验证一个用于预测反复发生的SAB的机器学习模型.
- 协助医生及时评估患者,并主动制定治疗策略.
- 确定与SAB复发相关的关键临床特征.
主要方法:
- 使用MIMIC-IV数据库 (v2.2) 进行7:3列车测试分割.
- 使用递归特征消除 (RFE) 和LASSO进行特征选择.
- 构建并比较预测模型,包括XGBoost,随机森林,LR,SVM和ANN,使用ROC,DCA和PRC进行验证.
- 应用SHAP值用于模型解释性和特征意义分析.
主要成果:
- 发现的关键预测因素包括MRSA,PTT,RBC,RDW,中性粒细胞_abs,,,万科米辛度,MCHC,MCV和预后营养指数 (PNI).
- 在XGBoost模型的表现最好,AUC为0.76 (ROC) 和0.56 (PRC).
- 基于XGBoost模型开发了一个网站,SHAP值解释了特征的重要性.
结论:
- XGBoost 是一个适合开发医学预测模型的算法.
- 开发的复发性SAB预测模型有助于医生及时诊断和治疗.
- 该模型增强了SAB患者的临床决策.


