增强源不明发烧的诊断:机器学习方法来预测元基因组下一代测序阳性
Zhi Gao1,2,3, Yongfang Jiang1,2,3, Mengxuan Chen1,2,3
1Department of Infectious Diseases, The Second Xiangya Hospital, Central South University, Changsha, China.
Frontiers in cellular and infection microbiology
|April 30, 2025
概括
这项研究开发了一种机器学习模型,用于预测源不明发烧 (FUO) 的元基因下一代测序 (mNGS) 的积极结果. 该模型识别了像白蛋白和前素这样的关键因素,优化了mNGS在诊断中的使用.
科学领域:
- 医学诊断 医学诊断 医学诊断
- 生物信息学是一种生物信息学.
- 机器学习在医学中的应用
背景情况:
- 下一代元基因组测序 (mNGS) 提供了对源不明发烧 (FUO) 无偏的病原体检测.
- 预测mNGS阳性对于高效的FUO病因诊断至关重要.
- 目前的方法缺乏在FUO情况下有效预测mNGS结果.
研究的目的:
- 开发一种可解释的机器学习算法,用于预测FUO患者的mNGS结果.
- 在临床实践中提高mNGS的诊断产量.
- 为FUO优化mNGS的时间和应用.
主要方法:
- 机器学习模型的开发和比较:极端梯度增强 (XGBoost),轻梯度增强机器 (LightGBM) 和随机森林.
- 使用来自大型医疗机构的临床数据集进行模型培训和验证.
- 采用沙普利增量解释 (SHAP) 方法用于模型解释性和特征分析.
主要成果:
- 在284名FUO患者中,mNGS阳性率为64.1%.
- 轻GBM模型显示出优异的预测性能 (AUC 0.84训练,0.93验证).
- 对于mNGS阳性性的关键预测因素包括白蛋白,前素,血培养,疾病类型和样本类型.
结论:
- 一个经过验证的基于LightGBM的预测模型显示了FUO诊断的显著临床实用性.
- 该模型可以通过优化其时间来增强mNGS的应用.
- 这种可解释的机器学习方法是FUO病因诊断的宝贵工具.
