早期检测血管导管相关感染采用监督机器学习 - 一个案例研究在Lleida地区
Radu Spaimoc1, Jordi Mateo2, Francesc Solsona3
1Department of Computer Science, University of Lleida, C/ Jaume II, 69, Lleida, 25001, Spain. radu.spaimoc@udl.cat.
BMC medical informatics and decision making
|August 12, 2025
概括
机器学习模型可以使用患者数据早期检测血管导管相关感染 (VCAI). 渐变增强模型显示,在败血症发生之前识别VCAI是最有前途的.
科学领域:
- 医疗信息学 医疗信息学
- 临床流行病学临床流行病学
- 医疗保健中的机器学习
背景情况:
- 医疗相关感染 (HAI),特别是血管导管相关感染 (VCAI),构成了重大的临床挑战.
- 早期检测VCAI对于改善患者的治疗结果和减少抗菌素耐药性至关重要.
- 目前的检测方法通常依赖于像发烧这样的指标,发烧可能在感染过程中出现晚期.
研究的目的:
- 开发和评估用于早期分类VCAI的机器学习模型.
- 从患者病历中确定VCAI的预测特征,不包括发烧和抗生素使用.
- 在不平衡的VCAI数据集上评估不同机器学习分类器的性能.
主要方法:
- 对来自加泰罗尼亚公共医院 (2011-2019) 的24,239例病例进行了回顾性分析.
- 使用与血管导管使用相关的150个特征开发和验证机器学习模型.
- 评估模型性能,包括准确性,特异性,灵敏性和平衡准确性,重点关注不平衡的数据挑战.
- 调查过量采样技术,以提高对不平衡数据集的分类器性能.
主要成果:
- 数据集高度不平衡,只有5.53%的VCAI病例.
- 大多数模型实现了高精度 (~97%) 但低灵敏度 (<60%) 的VCAI检测.
- 梯度提升 (GB) 模型表现出卓越的性能,具有82.5%的平衡精度和67%的灵敏度.
- 过量采样技术并不总是比在原始数据集上训练的模型更好地提高性能.
结论:
- 机器学习,特别是带有战略特征工程的梯度提升模型,显示了在败血症之前强大的VCAI检测的潜力.
- 有效的VCAI预测可以使用患者病历来实现,而不是依赖发烧或抗生素处方数据.
- 仔细考虑数据集失衡和特征工程对于开发可靠的VCAI检测模型至关重要.
