机器学习改善了波多黎各的登革热诊断
Zachary J Madewell1, Dania M Rodriguez1, Maile B Thayer1
1Division of Vector-Borne Diseases, Centers for Disease Control and Prevention, San Juan, Puerto Rico.
Tropical medicine & international health : TM & IH
|September 16, 2025
概括
机器学习模型,特别是XGBoost和LightGBM,使用常见的临床数据显著改善登革热诊断. 这些先进的模型为准确的登革热检测提供了有希望的,可访问的工具,特别是在资源有限的地区.
科学领域:
- 传染病流行病学 传染病流行病学
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
背景情况:
- 在资源有限的环境中,由于症状重叠和诊断方法的局限性,准确的登革热诊断具有挑战性.
- 登革热现有的诊断工具可能无法轻松获取或足够快速以广泛临床使用.
研究的目的:
- 开发和评估机器学习模型,以使用可访问的临床数据改进登革热诊断.
- 提高登革热的诊断准确性,为医疗保健提供者提供潜在的快速和可访问的工具.
主要方法:
- 利用了来自波多黎各的哨兵增强登革热监测系统 (SEDSS) 的数据 (2012年5月至2024年6月).
- 通过使用人口,临床,实验室和流行病学变量评估各种机器学习模型 (XGBoost,LightGBM,后勤回归,随机森林,SVM,ANN,自适应提升).
- 通过接收器操作特征曲线 (AUC) 下面的区域评估模型性能.
主要成果:
- XGBoost和LightGBM模型实现了最高的诊断准确度,AUC超过90%.
- 改善登革热诊断的关键预测因素包括每月发病率,白血病,血小板减少,皮疹,年龄和鼻水缺失.
- 整合了全面的临床和流行病学特征,始终提高了模型的灵敏度和特异性.
结论:
- 机器学习模型,特别是XGBoost和LightGBM,显示出使用现有临床数据准确诊断登革热的巨大潜力.
- 在资源有限的环境中,这些模型对于改善登革热检测可能特别有价值.
- 未来的工作重点应该是开发用户友好的工具 (例如移动应用程序,网络平台) 用于临床实施和探索预测应用.
