使用机器学习算法来识别侵入性菌感染监视的关键预测因素
Samantha L Williams1, Zainab Salah2, Brendan R Jackson1
1Mycotic Diseases Branch, Centers for Disease Control and Prevention, Atlanta, Georgia, USA.
The Journal of infectious diseases
|June 3, 2025
概括
对侵入性菌感染 (IMI) 的公共卫生监测缺乏. 机器学习模型确定了IMI病例的关键预测因素,包括抗真菌药物和特定诊断结果,以改善监测工作.
科学领域:
- 医疗信息学医学信息学
- 流行病学 流行病学
- 机器学习在医疗保健中的应用
背景情况:
- 侵入性菌感染 (IMI) 导致显著的发病率和死亡率.
- 目前对IMI的公共卫生监测不足.
- 预测模型可以帮助监测,并为案例定义提供信息.
研究的目的:
- 开发和验证用于预测侵入性菌感染 (IMI) 病例状况的机器学习模型.
- 通过医疗记录数据识别可预测IMI的关键因素.
- 为IMI提供强有力的公共卫生监测的发展提供信息.
主要方法:
- 使用最少绝对收缩和选择运算符 (LASSO) 和随机森林机器学习算法.
- 来自四个休斯顿医疗中心的模拟医疗记录数据 (2016年9月 - 2018年8月).
- 评估特征重要性使用离开-一个-共变-排除和排列方法.
主要成果:
- 系统性抗真菌药物,IMI相关的计费代码和阳性肺组织病理学是最重要的预测因素.
- 删除这些关键特征将模型预测准确度降低3.6%至7.6%.
- 矛盾的是,某些传统的IMI风险因素,如癌症和皮质类固醇使用,使预测准确性恶化.
结论:
- 机器学习确定了IMI的关键预测因素,这些预测因素与传统的风险因素不同.
- 这些发现支持开发IMI公共卫生监测可行的预测模型.
- 该研究强调了机器学习在加强传染病流行病学监测方面的实用性.
