一个机器学习模型用于预测患有严重发烧与血小板衰竭综合征的患者的死亡率:一个前性的多中心队列研究

科学领域:

• 传染性疾病 传染性疾病
• 医疗信息学 医疗信息学
• 医疗保健中的机器学习

背景情况:

• 严重发烧与血小板缺血综合征 (SFTS) 是一个显著且日益增长的全球健康挑战.
• 准确预测死亡风险对于及时有效的患者管理至关重要.

研究的目的:

• 开发和验证用于预测SFTS患者死亡率的机器学习模型.
• 为早期风险评估和干预创建一个临床适用的工具.

主要方法:

• 使用1,606名SFTS患者的数据开发和验证机器学习模型.
• 利用多层感知子 (MLP) 算法构建了UNION-SFTS预测模型.
• 模型预测性能的内部,前性和外部验证.

主要成果:

• 联合-SFTS模型显示出高预测准确性,AUC达到0.917 (内部验证) 和0.883 (前验证).
• 在多个外部验证集 (AUC从0.905到1.000不等) 中观察到出色的性能.
• 该模型确定了用于死亡率预测的六个关键变量.

结论:

• 联盟-SFTS模型提供了一种可靠和准确的方法来预测SFTS患者的死亡率.
• 一个用户友好的基于Web的计算器可用于临床实施.
• 早期识别高风险患者有助于及时干预,可能减少与SFTS相关的死亡率.