通过机器学习模型的新型构建,仅基于常规血液检测特征来识别川崎病的风险

科学领域:

• 儿童心脏病学 儿童心脏病学
• 计算医学是一种计算医学.
• 医疗保健中的人工智能

背景情况:

• 川崎病 (KD) 是儿童获得冠状动脉血管炎的主要原因.
• 准确诊断KD对于管理发烧性疾病的儿科医生来说是一个重大挑战.
• 需要客观的诊断工具来帮助早期识别KD.

研究的目的:

• 开发和实施KDpredictor,用于KD风险识别的机器学习模型.
• 为前线儿科医生提供川崎病的客观诊断辅助.
• 为了提高KD风险评估,利用常规血液测试参数.

主要方法:

• 开发了KDpredictor,使用光梯度增强机器算法.
• 在对1927例KD病例和45,274例发烧对照的大数据集上训练模型.
• 使用常规血液检测特征,包括全血细胞计数,C反应蛋白,氨酸转移酶和年龄校准的乙氨基酸,血小板和血红蛋白水平.

主要成果:

• 在测试组中,KDpredictor实现了高性能指标:auROC为95.7%,auPRC为72.4%,回忆为0.89.
• 该模型在auROC和auPRC中表现优于之前的诊断模型.
• 东亚的独立队列评估显示出强烈的概括性,召回值在83.7%至91.7%之间.

结论:

• KDpredictor提供了一种可靠和可通用的方法,用于使用标准血液样本识别KD风险.
• 该模型的性能独立于临床症状,增强其在不同儿科群体的实用性.
• KDpredictor是儿科医生在诊断川崎病时的一个有价值,客观的工具.