通过电子医疗记录来识别患有常见可变免疫缺陷的儿科个体的预测模型
Nouf Alsaati1, Chris Penney2, Ingo Helbig3
1Division of Allergy and Immunology, Children's Hospital of Philadelphia, Philadelphia, Pa.
The Journal of allergy and clinical immunology
|March 9, 2025
概括
机器学习确定了儿童早期常见可变免疫缺陷 (CVID) 诊断的关键指标. 这种方法可以显著减少这种罕见的免疫疾病的诊断延迟.
科学领域:
- 儿科免疫学 儿科免疫学
- 计算诊断是指计算机诊断.
- 机器学习在医疗保健中的应用
背景情况:
- 常见的可变免疫缺陷 (CVID) 呈现出反复的肺内感染,往往导致儿童的诊断延迟,因为重叠的症状.
- 显著的诊断滞后,平均为10年,突出了改善儿科CVID早期识别策略的迫切需要.
研究的目的:
- 开发和验证机器学习模型,用于识别儿科患者中CVID的独特临床特征.
- 为了能够更早,更准确地诊断儿童的常见可变免疫缺陷.
主要方法:
- 使用了112名患有CVID和627名对照个体的队列,不包括患有其他感染相关疾病的人.
- 在患者级临床指标上培训和验证了三个监督机器学习分类器,包括极端梯度提升 (XGBoost) 模型.
- 用高复杂度对照队列和后勤回归方法验证的结果.
主要成果:
- 极端梯度增强 (XGBoost) 模型显示了强大的预测性表现 (F1得分为0.77) 对于CVID诊断,直到10年前.
- 关键的预测特征包括胸部放射计数,抗生素处方频率和常见感染的发生率.
- 该模型正确分类了29例CVID病例中的21例和183例非CVID患者中的179例,表明其准确度很高.
结论:
- 确定了儿科CVID的独特临床特征,使得即使在对照组中感染频繁,也可以更早地检测到.
- 机器学习技术为减少诊断延迟和改善CVID儿童的结果提供了一个有希望的途径.
