基于机器学习的HBV-ACLF细菌感染诊断模型的构建和验证
Neng Wang1, Shuai Tao2, Liang Chen3
1Department of Liver Disease, Shanghai Public Health Clinical Center, Fudan University, Shanghai, China.
BMC infectious diseases
|July 2, 2025
概括
使用XGBoost的新诊断模型准确检测B型肝炎病毒相关的急性至慢性肝衰竭 (HBV-ACLF) 患者的细菌感染. 这种工具有助于在这个脆弱的患者群体中早期临床识别感染.
科学领域:
- 肝病学 肝病学是一种肝病学.
- 传染性疾病 传染性疾病
- 机器学习在医学中的应用
背景情况:
- 与乙型肝炎病毒相关的急性至慢性肝衰竭 (HBV-ACLF) 患者对细菌感染非常敏感.
- 细菌感染的早期和准确诊断对于改善HBV-ACLF患者的治疗结果至关重要.
- 当前的诊断方法可能在及时检测方面存在局限性.
研究的目的:
- 开发和验证一种基于机器学习的新型诊断模型,用于HBV-ACLF中的细菌感染.
- 提高细菌感染的早期临床鉴定和解释性.
- 利用先进的算法来提高诊断准确度.
主要方法:
- 对1,124名HBV-ACLF患者进行了一项回顾性队列研究.
- 六个机器学习算法,包括极端梯度提升 (XGBoost),被用来构建预测模型.
- 模型性能使用AUC,准确性,精度,回忆和F1得分进行评估,并使用SHAP分析来评估特征可解释性.
主要成果:
- XGBoost模型在训练 (AUC 0.940) 和验证 (AUC 0.930) 队列中都表现出卓越的表现.
- 关键预测因素包括阿波利波蛋白A1,补充C3,D-二次体,CRP,TBIL和INR,反映了炎症,凝血和肝功能障碍.
- 该模型表现出良好的诊断性能,即使在炎或SIRS的子组中也是如此.
结论:
- 一个基于XGBoost的诊断模型有效地识别HBV-ACLF患者的细菌感染.
- 该模型利用六个关键指标,促进早期临床诊断.
- 这种方法为管理这种高风险人群中的细菌感染提供了一个有希望的工具.
