实施基于症状的预测模型,用于儿童呼吸道病毒感染的早期诊断
Antoni Soriano-Arandes1,2, Cristina Andrés3, Aida Perramon-Malavez4
1Pediatric Infectious Diseases and Immunodeficiencies Unit, Children's Hospital, Vall d'Hebron Barcelona Hospital Campus, 08035 Barcelona, Spain.
Viruses
|April 26, 2025
概括
机器学习模型使用症状数据准确预测常见的儿科呼吸道病毒,如RSV和流感. 这些工具有助于更快地诊断儿童急性呼吸道感染.
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
- 医疗保健中的机器学习
背景情况:
- 常见的儿科呼吸道病毒感染包括SARS-CoV-2,RSV,流感,鼻病毒和腺病毒.
- 急性呼吸道感染 (ARI) 是儿童的重大健康问题.
- 基于症状的预测模型可以在初级保健中加快ARI诊断.
研究的目的:
- 通过使用症状数据,评估机器学习模型在估计常见儿科呼吸道病毒感染概率方面的有效性.
- 评估这些模型在初级保健环境中的诊断准确性.
主要方法:
- 利用了来自14个初级保健中心 (COPEDICAT队列) 868名患有ARI症状的儿童的数据.
- 采用随机森林和增强模型,具有10倍的交叉验证和SMOTE-NC用于阶级失衡.
- 使用特征重要性的AUC,灵敏度,特异性和SHAP值来评估模型性能.
主要成果:
- 模型对呼吸道共囊病毒 (RSV) (AUC:0.81) 和流感病毒 (AUC:0.71) 显示出更高的准确性.
- 有效排除了SARS-CoV-2感染,基于缺乏特定症状,如裂和喘息.
- 由于非特异性症状,鼻病毒和腺病毒的预测性能较低;SHAP分析确定了每个病毒的关键症状模式.
结论:
- 基于症状的预测模型是识别儿科呼吸道感染的有效工具.
- 模型显示了RSV,SARS-CoV-2和流感病毒感染的显著准确性.
- 基于临床表现的机器学习辅助在儿童病毒性ARIs的差异诊断.
