基于机器学习的高特异性诊断模型,用于发烧患者的Talaromyces marneffei感染,使用常规临床实验室数据
Yingjun Xiao1, Xiling Chen1, Xiping Ou2
1The Third Affiliated Hospital of Zhejiang Chinese Medical University, Hangzhou, Zhejiang, China.
Frontiers in microbiology
|September 22, 2025
概括
一个机器学习模型有效地使用常规实验室数据对发烧患者选Talaromyces marneffei感染. 这个工具有助于早期检测和风险评估塔拉罗米切斯马尔内菲感染.
科学领域:
- 医疗信息学 医疗信息学
- 传染性疾病 传染性疾病
- 机器学习 机器学习
背景情况:
- 在发烧患者中,Talaromyces marneffei感染是一个重大问题.
- 早期和准确的诊断对于有效的治疗和管理至关重要.
- 预测模型可以帮助选高风险个体.
研究的目的:
- 开发和验证基于机器学习 (ML) 的预测模型,用于查发烧患者的Talaromyces marneffei感染.
- 使用常规临床实验室数据进行预测建模.
- 为未来的预警系统提供功能选择见解.
主要方法:
- 对2021年1月至2025年4月发烧患者的回顾性研究.
- 使用稀疏的部分最小平方差分分析进行特征提取.
- 开发和验证六个ML算法,随机选择最佳的森林.
主要成果:
- 随机森林模型实现了高性能:AUC为0.987 (袋外) 和0.989 (临床验证).
- 该模型对塔拉罗米切斯马尔内菲感染表现出极好的特异性 (0.999).
- 在临床验证中,在预测细菌病的过程中观察到良好的灵敏度 (0.845).
结论:
- 一个随机森林模型有效地使用常规的临床实验室数据来预测Talaromyces marneffei感染.
- 这种ML模型是高风险发烧患者的有前途的早期查工具.
- 这些发现支持使用ML来识别Talaromyces marneffei感染和相关的细菌病.
