使用Sysmex XN系列血液学分析仪对白细胞细胞群数据进行基于机器学习的分析,用于诊断细菌血症

科学领域:

• 血液学 血液学 血液学
• 临床诊断 临床诊断 临床诊断
• 机器学习在医学中的应用

背景情况:

• 早期识别细菌病是改善患者预后的关键.
• 来自Sysmex XN系列分析仪的细胞群数据 (CPD) 是早期细菌病诊断的潜在新方法.
• 对于检测细菌病的CPD,特别是NE-WY的临床实用性需要进一步研究.

研究的目的:

• 评估中性粒细胞区域光光分布 (NE-WY) 从CPD用于早期细菌病检测的有用性.
• 确定机器学习是否可以提高NE-WY对细菌病的预测准确度.
• 使用机器学习模型,与其他变量相比,评估NE-WY的诊断性能.

主要方法:

• 追溯分析了533名临床怀疑有细菌病的成年患者.
• 倾向性得分匹配比较细菌病 (n=106) 和非细菌病 (n=427) 组.
• 机器学习算法的应用,包括决策树和支持向量机器,以分析NE-WY和其他变量.

主要成果:

• NE-WY在细菌病和非细菌病组之间显示出最显著的差异 (AUC:0.768,灵敏度:73.6%,特异性:67.9%).
• 在机器学习中,NE-WY是决策树模型中的主要预测因素,截止值为689.5.5.
• 与单独的NE-WY相比,当结合多个变量时,支向量机没有显著改善.

结论:

• 从CPD衍生出的NE-WY,是检测细菌血症的有用指标.
• 机器学习,特别是决策树分析,有效地利用NE-WY进行细菌病预测.
• 持续病理学和机器学习的结合有可能为检测细菌病的新型诊断方法提供潜力.