验证ML算法用于从流细胞计常规数据预测怀疑细菌性尿症患者的阳性尿液培养
Alexander Brenner1, Jutta Esser2, Franziska Schuler3
1Institute of Medical Informatics, University of Münster, Münster, Germany.
International journal of medical microbiology : IJMM
|March 5, 2025
概括
机器学习模型可以使用常规流动细胞计数据预测阳性尿液培养,从而实现检测感染的高灵敏度. 这种方法有助于识别潜在的尿病原体,改善实验室诊断.
科学领域:
- 临床微生物学 临床微生物学
- 生物医学数据科学 生物医学数据科学
- 泌尿器科 泌尿器科 泌尿器科 泌尿器科
背景情况:
- 尿液培养在微生物学实验室中是标准的,但通常会产生负面结果.
- 从非侵入性方法预测阳性尿液培养可以简化诊断.
研究的目的:
- 评估是否常规流动细胞计数据可以预测阳性尿液培养.
- 在这个预测任务中评估机器学习分类器的性能.
主要方法:
- 1325个尿样使用流细胞计分析.
- 数据包括细胞计数 (细菌,白细胞,红细胞等). 和患者的人口统计学.
- 三个机器学习分类器 (决策树,随机森林,CatBoost) 被训练并验证.
- 模型被优化为≥95%的灵敏度在预测积极的文化.
主要成果:
- CatBoost分类器在训练数据上表现出卓越的平衡准确性.
- 对于积极的培养预测,均衡准确度在62-74%之间,在六个月内具有稳定的灵敏度 (94-96%).
- 对于泌尿病原体预测,平衡精度为57-63%,具有高灵敏度 (95-100%).
结论:
- 机器学习算法在从流细胞计数据中预测阳性尿液培养时表现出高灵敏度.
- 这种预测能力可以有效地帮助识别潜在的尿路感染.
- 流细胞计数据为初步尿液分析提供了有价值的辅助,可能减少不必要的培养.
