一种机器学习方法,通过红细胞沉率 (ESR) 动力学来评估急性感染
Andrea Padoan1, Ilaria Talli2, Michela Pelloso3
1Department of Medicine (DIMED), University of Padova, Padova, Italy; Laboratory Medicine Unit, University-Hospital, Padova, Italy.
概括
自动化红细胞沉率 (ESR) 分析仪与韦斯特格伦方法有很好的一致性. 机器学习模型有效地使用早期ESR动力学来分类炎症性疾病,特别是败血症.
科学领域:
- 临床化学 临床化学
- 生物医学工程 生物医学工程
- 数据科学在医学中的数据科学
背景情况:
- 红细胞沉积率 (ESR) 是一种传统的,低成本的炎症标志物,其特异性和敏感性有限.
- 这项研究的目的是对Westergren方法验证自动化ESR分析仪,并探索在疾病分类中早期沉积动力学的机器学习 (ML).
研究的目的:
- 评估来自三个自动分析仪的ESR测量与Westergren方法的等价性.
- 评估早期ESR沉积动力学 (在20分钟内) 的实用性,以使用ML对炎症状况进行分类.
主要方法:
- 通过使用三个自动化ESR分析仪和Westergren方法,分析了来自对照,风湿学,瘤学和败血症组的346个血液样本.
- 从CUBE 30 TOUCH分析仪中提取了早期沉积率动力学 (斜率).
- 经过训练和验证的ML模型 (GBM,SVM,NB,NN,LR) 使用ESR,斜率和临床数据;在单独的败血症队列上验证了LR模型.
主要成果:
- 自动化ESR方法与韦斯特格伦方法有很好的一致性.
- 多变量分析显示ESR值与年龄,性别和患者组有显著的相关性.
- ML模型实现了中等准确性 (GBM AUC 0.800);LR模型显示了毒症分类的高性能 (验证队列AUC 0.884,第二次验证AUC 0.991).
结论:
- 自动化ESR技术可用于评估系统性感染,并且与参考方法一致.
- ESR沉积动力学为疾病状态分类提供了新的见解,特别是用于识别败血症.
- 建议使用更大的数据集进行进一步的研究,以验证这些ML驱动的方法的临床应用.
