使用机器学习开发严重发烧与血小板缩小综合征的预后性诺莫图:一项多中心回顾性研究
Fang Zhong1, Shiyu Zhang2, Qinyu You1
1School of Public Health, Nanjing Medical University, Nanjing, China.
Journal of medical virology
|October 9, 2025
概括
机器学习有效地识别了高风险的患有严重发烧与血小板缺血综合征 (SFTS) 的患者. 开发的模型使用五个关键指标准确预测SFTS预后,有助于早期临床关注.
科学领域:
- 传染性疾病 传染性疾病
- 医疗信息学 医疗信息学
- 流行病学 流行病学
背景情况:
- 严重发烧与血小板缺血综合征 (SFTS) 是一种新兴的传播疾病,死亡率高.
- 现有的机器学习 (ML) 对SFTS的预测模型是有限的,缺乏外部验证.
研究的目的:
- 使用机器学习开发和验证用于SFTS的临床风险预测模型.
- 确定与SFTS相关的死亡率的关键预后指标.
主要方法:
- 一项多中心回顾性队列研究,包括来自中国三家医院的1,215名SFTS患者.
- 使用多个ML算法进行变量选择和模型构建,包括后勤回归 (LR).
- 模型性能通过AUC,精度,回忆和F1得分来评估;临床效用通过决策曲线分析 (DCA) 来评估.
主要成果:
- 基于LR的模型在培训和验证队伍中都表现出卓越的表现.
- 确定了五个独立的SFTS相关死亡风险因素:年龄,意识障碍,APTT,SCr和日志转化病毒载量.
- 基于这些因素的诺米图表获得了高准确性 (在训练中AUC为0.881,在验证中为0.886).
结论:
- 机器学习对于识别高风险SFTS患者是有效的.
- 基于机器学习的预测模型和名ograms准确预测SFTS预后.
- 这五个已识别的关键特征是临床关注的有价值的早期预后指标.
