诊断周围假肢关节感染的概率评分:开发和验证一个实用的多分析机器学习模型

科学领域:

• 整形外科手术 整形外科手术
• 传染性疾病 传染性疾病
• 机器学习在医学中的应用
• 生物标志物发现发现

背景情况:

• 诊断周围假肢关节感染 (PJI) 依赖于复杂的基于标准的系统,通常在临床实践中应用不一致.
• 现有的诊断方法甚至在专家中也可能导致采用和实施不足,强调需要提高准确性和可访问性.
• 准确和及时的PJI诊断对于有效的患者管理和预防治疗并发症至关重要.

研究的目的:

• 开发和验证用于术前PJI诊断的机器学习 (ML) 模型.
• 在24小时内,仅使用突液 (SF) 生物标志物生成PJI概率得分.
• 通过创建更容易获得和更准确的工具来解决当前诊断标准的局限性.

主要方法:

• 使用来自2,923个机构 (2018-2024) 的104,090个SF样本构建了一个两阶段的ML模型.
• 无监督学习确定了样本集群,随后进行了监督后勤回归,以根据10个SF生物标志物 (不包括培养结果) 产生PJI得分 (0-100).
• 模型的性能根据修改后的2018年国际共识会议标准进行了验证,包括不确案件的概率性重新分类.

主要成果:

• 在验证队列中,ML模型实现了高诊断准确性:99.3%的灵敏度和99.5%的特异性 (预重新分类).
• 该模型成功地解决了临床标准认为不确的95%的样本.
• 关键的有影响力的生物标志物包括α-defensin,中性粒细胞百分比和白细胞计数;该模型在培养负感染中表现良好.

结论:

• 该ML模型使用SF生物标志物为PJI提供了特殊的诊断准确性,显著降低了诊断不确定性.
• 该算法可在24小时内提供最终的诊断信息,独立于SF培养结果.
• 这种ML方法与临床标准准确性相匹配,同时简化了实施,弥合了阻碍当前基于标准的诊断的差距.