开发机器学习模型来预测发烧成年人的细菌病 呈现给急诊室:来自大型中心的回顾性队列研究

科学领域:

• 医疗信息学 医疗信息学
• 临床决策支持 临床决策支持
• 医疗保健中的机器学习

背景情况:

• 细菌病是严重的疾病,需要及时治疗.
• 早期诊断细菌病是具有挑战性的.
• 未经治疗的细菌病导致发病率和死亡率增加.

研究的目的:

• 开发和评估用于预测细菌病的机器学习 (ML) 算法.
• 利用现有的分类数据用于早期检测细菌病.
• 通过及时诊断来改善患者护理和降低死亡率.

主要方法:

• 包括发烧到急诊室 (ED) 的成年患者.
• 提取了2009-2018年的数据,包括人口统计和分拣细节.
• 五个受监督的ML模型经过训练和验证,使用60-40分,以AUC评估性能.

主要成果:

• 这项研究包括80,201名患者;11.9-12.1%患有细菌血症.
• CatBoost实现了最高的曲线下的面积 (AUC) 0.844.
• 其他模型,如XGBoost和梯度提升,也表现出强的性能 (AUC>0.84).

结论:

• ML模型在预测细菌血症方面表现出色.
• 单独的分离数据就足以进行有效的预测.
• 在ED中实施可以提高护理质量并挽救生命.