基于机器学习的儿童百咳风险预测模型:一个多中心的回顾性研究

科学领域:

• 医疗信息学 医疗信息学
• 传染病流行病学 传染病流行病学
• 医疗保健中的机器学习

背景情况:

• 百日咳 (百日咳) 仍然是一个公共卫生问题,原因是疫苗免疫力下降和免疫逃逸.
• 目前的诊断方法 (PCR,培养) 是缓慢而昂贵的,阻碍了及时干预.
• 需要有效的工具来识别高危 pertussis 患者,以便及时管理.

研究的目的:

• 开发和验证一个高效的机器学习模型,用于咳风险预测.
• 创建一个可泛化模型,适用于不同的数据集和临床环境.
• 为临床实践和公共卫生管理提供快速,准确的辅助诊断工具.

主要方法:

• 收集了来自7个中心的1085名疑似百日咳患者的数据.
• 利用拉索回归和Boruta算法来识别10个关键预测特征.
• 训练并验证了八个机器学习模型,包括一个随机森林模型,使用多中心数据.
• 开发了一个在线平台,用于验证模型的实时临床应用.

主要成果:

• 随机森林模型实现了高差异性,AUC为0.98 (验证) 和0.97 (外部验证).
• 校准和决策曲线分析证实了模型的准确性,特别是在低至中等风险患者中.
• 该模型帮助临床医生避免不必要的干预,特别是在资源有限的环境中.

结论:

• 一个多中心验证的百日咳预测模型显示出高性能和在线适用性.
• 该模型有助于优化高风险百日咳病例的早期识别和管理.
• 未来的工作应该扩大数据源,并整合动态数据,以提高准确性和更广泛的使用.