基于机器学习的诊断模型的开发和验证,用于在疑似患者中识别非中性发育性侵入性肺阿斯伯吉洛症:一个多中心队列研究
Xinyu Wang1, Yajie Lu1, Chao Sun2
1Department of Respiratory and Critical Care Medicine, Nanjing Drum Tower Hospital, Affiliated Hospital of Medical School, Nanjing University, Nanjing, China.
Microbiology spectrum
|May 22, 2025
概括
一个新的机器学习模型在疑似病例中准确识别非中性发育性侵袭性肺阿斯伯吉洛症 (IPA). 这种诊断工具有助于临床医生在没有侵入性手术的情况下进行早期检测,从而改善患者的治疗结果.
科学领域:
- 医学诊断 医学诊断 医学诊断
- 菌类学 菌类学是指菌类学.
- 机器学习在医疗保健中的应用
背景情况:
- 在疑似病例中诊断非中性发育侵袭性肺阿斯伯吉洛症 (IPA) 是具有挑战性的.
- 当前的诊断方法可能需要侵入性手术.
研究的目的:
- 开发和验证一个优化的机器学习诊断模型,用于非中性贫血IPA.
- 创建一个风险评分,以识别非中性无效的IPA.
主要方法:
- 分析了一组344个非中性衰竭疑似IPA病例的队列.
- 开发并比较了三种机器学习模型:逻辑回归,支持向量机器和加权集体.
- 使用夏普利添加剂解释 (SHAP) 进行模型解释.
- 选择了六个关键预测变量:唾液阿斯伯吉卢斯培养物,阿斯伯吉卢斯特异性IgG,腔腔成像,血清银河素,危急状态和血上素3.
主要成果:
- 权重组合模型实现了高特异性 (95.1%的内部测试,95.7%的外部测试).
- 风险得分与预测的概率高度相关 (斯皮尔曼 ρ = 0.974) 并显示出强大的AUC (0.857内部,0.871外部).
- 风险评分显示,对支气管支气管洗液galactomannan 的敏感性 (68.8%) 和特异性 (87.5%) 是相似的.
结论:
- 一个优化的诊断模型和风险评分被开发为非中性的IPA.
- 该模型有助于识别非中性增殖IPA,而不依赖于侵入性手术.
- 这种方法提高了临床适用性,并有助于早期诊断.
