一项基于机器学习模型的综合研究,用于早期识别 Mycoplasma pneumoniae 感染的细分/叶膜肺炎
Yaozheng Ling1, Bingyue Sun1, Guo Yin2
1Department of Respiratory, Children's Medical Center, The First Hospital of Jilin University, Xinmin Street, Chaoyang District, Changchun, 130012, China.
Scientific reports
|July 2, 2025
概括
在患有肺炎的儿童中,早期识别Mycoplasma pneumoniae (MP) 感染至关重要. 机器学习模型,特别是随机森林,在帮助临床医生早期检测和治疗MP感染方面表现有前途.
科学领域:
- 儿科 儿科 儿科
- 传染性疾病 传染性疾病
- 医疗信息学 医疗信息学
背景情况:
- 儿童的细分/叶片性肺炎在患有Mycoplasma pneumoniae (MP) 后感染后会带来严重的健康风险.
- 早期识别MP感染对于减少肺炎的严重程度和改善儿科患者的治疗结果至关重要.
研究的目的:
- 开发和验证机器学习模型,以便在患有细分/叶膜肺炎的儿童中早期识别MP感染.
- 帮助临床医生及时作出有针对性的治疗决策.
主要方法:
- 从630例细分/叶膜性肺炎的儿科病例 (2016年12月至2021年12月) 追溯收集医疗记录.
- 在数据预处理和特征选择 (确定了七个变量) 后,应用四个机器学习模型.
- 选择和验证用于MP感染预测的随机森林模型.
主要成果:
- 随机森林模型实现了57.1%的灵敏度,69.6%的准确度和0.752.6的AUC.
- 该模型将传统指标与机器学习算法集成在一起,以提高预测能力.
结论:
- 机器学习,特别是随机森林模型,为在儿科细分/叶膜肺炎中早期识别MP感染提供了有价值的工具.
- 这种预测模型可以显著帮助临床医生在启动早期和有针对性的治疗干预措施.
