基于临床数据的儿童传染性单核病的诊断机器学习模型:一项回顾性多中心研究
Wenshen Gu1,2, Shoufu He1,2, Xiaohui Li3
1College of Medical Technology, Guangdong Medical University, Dongguan, Guangdong, P.R. China.
Journal of medical virology
|August 1, 2025
概括
这项研究开发了具有成本效益的机器学习模型,用于诊断儿童的传染性单核病 (IM),其性能优于传统方法. 这些模型使用临床特征和炎症标志物,在没有专门测试的情况下帮助诊断.
科学领域:
- 儿科 儿科 儿科
- 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:
- 传染性单核病 (IM) 和急性呼吸道感染 (ARTI) 在儿童中具有相似的临床症状.
- 准确及时诊断IM至关重要,但由于呈现重叠,这可能是具有挑战性的.
- 现有的诊断方法可能很昂贵,或者在某些医疗机构无法使用.
研究的目的:
- 使用机器学习开发和验证儿童IM的成本效益高的诊断模型.
- 为了利用沙普利增量解释 (SHAP) 算法来实现模型解释性和特征选择.
- 将新型诊断模型的性能与传统指标和EBV特定测试进行比较.
主要方法:
- 在三个医疗中心对853名被诊断患有IM的儿科患者进行了回顾性分析.
- 应用四种机器学习技术 (GBM,XGBoost,RSF被确定为表现最好) 使用49种临床特征和血清炎症标志物.
- 通过ROC曲线分析和解释使用SHAP进行模型评估,以确定关键预测特征 (淋巴细胞,PLR,LDH,SII,年龄).
主要成果:
- 开发的模型实现了与EBV特定测试相美的诊断性能.
- 五指标模型显示出比非典型淋巴细胞和EBV-DNA负载更高的诊断价值.
- 模型在不同儿科年龄组中被证明是有效的,并且独立于EBV特定测试结果.
结论:
- 新型机器学习模型提供了一种优越且具有成本效益的诊断工具,用于区分儿童的IM和ARTI.
- 这些模型对于缺乏EBV特定诊断能力的初级医疗保健单位和机构尤其有价值.
- 该研究为准确的IM诊断提供了有希望的替代方案,改善了患者管理和降低了医疗保健成本.
关键词:
IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM 这是一个很大的问题,因为这个问题现在已经解决不了,因为这个问题已经解决不了了,因为这个问题已经解决了这就是 SHAP SHAP 的意思.诊断模型 诊断模型 诊断模型机器学习是机器学习.血清炎症指数 血清炎症指数更多相关视频
09:01An In vitro Model to Study Immune Responses of Human Peripheral Blood Mononuclear Cells to Human Respiratory Syncytial Virus Infection
Published on: December 10, 2013
8.0K
09:43An Efficient and Simple Method to Establish NK and T Cell Lines from Patients with Chronic Active Epstein-Barr Virus Infection
Published on: March 30, 2018
9.3K
