建立基于机器学习的预测模型,用于Klebsiella pneumoniae肝脏

科学领域:

• 肝病学 肝病学是一种肝病学.
• 传染性疾病 传染性疾病
• 机器学习在医学中的应用

背景情况:

• 发烧性肝 (PLA) 诊断可能具有挑战性.
• 区分Klebsiella肺炎 (K-PLA) 与其他病原体对于有针对性的治疗至关重要.

研究的目的:

• 分析K-PLA与非K-PLA的临床和超声波特征.
• 开发和验证用于K-PLA差异诊断的机器学习模型.

主要方法:

• 对201名PLA患者 (2013-2020年) 的回顾性研究.
• 使用Boruta算法的特征选择确定了关键的预测变量.
• 四个机器学习模型 (深度学习,drf,gbm,glm) 被开发并使用5倍交叉验证进行验证.

主要成果:

• 确定了七个重要的预测因素:糖尿病,肝细胞癌,胆道疾病,传染病史,发烧持续时间,体温和ALT水平.
• 梯度增强机 (gbm) 模型实现了最高的AUC (0.922培训,0.848验证).
• 分布随机森林 (drf) 在训练组中显示AUC为0.999.

结论:

• 机器学习模型有效地预测K-PLA风险.
• gbm模型显示了K-PLA的卓越诊断性能.
• 这些模型可以帮助早期临床诊断,优化治疗,减少滥用抗生素.