基于机器学习算法,开发一种针对莱涅佐利德诱导的血小板缺血的风险预测模型
Jie Chi1, Juan Wang1, Heng Tang1
1Department of Pharmacy, Tongling Municipal Hospital, Tongling, Anhui, People's Republic of China.
Journal of clinical pharmacology
|July 4, 2025
概括
这项研究开发了一种预测模型,用于linezolid诱导的血小板缺血症 (LIT). 确定的关键风险因素包括线索利德的持续时间,ICU住院,血小板数低,休克和piperacillin-tazobactam的使用.
科学领域:
- 药理学 药理学是指药理学的学科.
- 临床医学 临床医学
- 数据科学数据科学数据科学
背景情况:
- 莱涅佐利德诱导的血小板缺血 (LIT) 是一个重要的临床问题.
- 准确预测LIT风险对于患者管理至关重要.
研究的目的:
- 开发和验证linezolid诱导的血小板缺血 (LIT) 的预测模型.
- 确定与LIT发展相关的关键风险因素.
主要方法:
- 对187名用linezolid治疗的患者进行了回顾性研究.
- 使用XGBoost和SelectFromModel进行特征选择.
- 开发和比较五种预测模型:物流回归,XGBoost,随机森林,天真贝叶斯和支持向量机.
- 使用SHAP值的模型解释.
主要成果:
- 在研究队列中,LIT的发病率为35.8%.
- 一个XGBoost模型在训练和验证组中表现出色,AUC为0.9.
- 对LIT的显著风险因素包括线索利德治疗的持续时间,ICU入院时间,基线低血小板计数,休克和同时使用piperacillin-tazobactam.
- 血小板大细胞比率,总胆红素和体重被确定为潜在的保护因素.
结论:
- 开发的XGBoost模型有效地预测了linezolid诱导的血小板缺血的风险.
- 识别高风险患者可以进行更密切的监测和潜在的干预.
- 了解风险因素可以指导临床决策对线索利德治疗.
