使用基于后勤回归和随机森林模型的常规血液学和代谢参数预测细菌病
Ting-Qiang Wang1, Ying Zhuo1, Chun-E Lv1
1Department of Clinical Laboratory, Fuding Hospital, Fujian University of Traditional Chinese Medicine, Fuding, Fujian, China.
Frontiers in cellular and infection microbiology
|August 12, 2025
概括
常规实验室标记可以预测细菌血症. 机器学习模型,特别是随机森林,在早期检测和临床查方面表现有前途,在灵敏度方面表现优于物流回归.
科学领域:
- 临床诊断 临床诊断 临床诊断
- 发现生物标志物的发现.
- 机器学习在医疗保健中的应用
背景情况:
- 细菌病的预测依赖于及时准确的诊断工具.
- 常规实验室标记器为早期检测提供了一个潜在的可访问资源.
- 评估机器学习模型可以提高这些标记物的预测效用.
研究的目的:
- 评估常见的血液学,炎症和代谢标志物对细菌病的预测价值.
- 为了比较物流回归和随机森林模型在细菌病预测中的分类性能.
主要方法:
- 对287名住院患者进行了回顾性分析,并进行了血液培养.
- 分析了血液学,炎症 (CRP,PCT),代谢 (葡萄糖,胆固醇) 和营养 (白蛋白) 标志物.
- 用33个特征训练和验证了后勤回归和随机森林模型.
主要成果:
- 细菌病患者的血红蛋白,胆固醇和白蛋白水平较低,血小板数量较高,CRP,PCT,葡萄糖和甘油三.
- 通过逻辑回归确定的独立风险因素包括血小板计数,PCT,甘油三和低胆固醇.
- 随机森林模型实现了0.75的AUC和0.69的回忆,超过了后勤回归 (AUC0.74,回忆0.60).
结论:
- 综合的常规实验室标记显示了早期细菌病预测的潜力.
- 随机森林模型显示,与后勤回归相比,细菌病检测的灵敏度更高.
- 这些发现表明,机器学习模型与常规实验室的实用性可以作为细菌病的临床查工具.
更多相关视频
07:42A Data-Driven Approach to Quantifying Immune States in Sepsis
Published on: February 7, 2025
315
10:50Detection and Quantification of Plasmodium falciparum in Aqueous Red Blood Cells by Attenuated Total Reflection Infrared Spectroscopy and Multivariate Data Analysis
Published on: November 2, 2018
8.1K
