一项使用机器学习进行回顾性研究,以开发预测模型来识别儿童中与轮状病毒相关的急性胃肠炎
Sourav Paul1, Minhazur Rahman2, Anutee Dolley3
1Department of Biotechnology, National Institute of Technology, Durgapur, West Bengal, India.
PeerJ
|April 18, 2025
概括
机器学习模型可以使用临床症状预测儿童的轮状病毒感染,帮助在资源有限的环境中进行诊断. 随机森林模型显示的最高准确率为81.4%.
科学领域:
- 儿童传染病 儿童传染病
- 计算流行病学计算流行病学
- 临床信息学是一种临床信息学.
背景情况:
- 罗塔病毒是全球幼儿严重脱水腹的主要原因.
- 医院对实验室诊断的有限访问需要替代的诊断方法.
- 机器学习 (ML) 在资源有限的环境中显示出基于症状的疾病诊断的前景.
研究的目的:
- 利用临床参数开发一种用于罗塔病毒感染的ML预测模型.
- 为了避免依赖实验室测试进行诊断.
- 支持及时和可访问的轮状病毒诊断.
主要方法:
- 收集了509名儿童的临床数据,包括腹,吐,发烧和脱水等症状.
- 进行相关性和特征选择 (ANOVA F测试) 以确定重要的临床指标.
- 训练并比较了七个受监督的ML模型:SVM,KNN,NB,Log_R,RF,DT和XGBoost.
- 评估模型性能使用准确度,精度,回忆,特异性,F1,F2,宏 F1和AUC.
主要成果:
- 随机森林 (RF) 模型在七个ML模型中表现出卓越的性能.
- RF的准确度为81.4%,F1得分为86.9%,宏观F1得分为77.3%,F2得分为86.5%,AUC为89%.
结论:
- ML模型可以帮助基于症状的诊断儿童的轮状病毒相关的急性胃肠炎.
- 这些模型在资源有限的环境中特别有价值.
- 建议使用更大的数据集进行进一步验证,以优化儿科腹疾病的敏感性和特异性.
