机器学习模型在未知来源的炎症中的诊断价值

科学领域:

• 医疗信息学 医疗信息学
• 临床诊断 临床诊断 临床诊断
• 机器学习应用 机器学习应用

背景情况:

• 源不明的炎症 (IUO) 由于非特异性发现,如升高的C反应蛋白 (CRP) 和红细胞沉率 (ESR) 提出了诊断挑战.
• 识别IUO的各种病因,包括感染,恶性瘤和类风湿病,对于及时和准确的患者管理至关重要.
• IUO的异质性需要先进的诊断策略,以避免治疗延迟或不必要的干预.

研究的目的:

• 评估基于机器学习 (ML) 的模型在分类IUO主要病因子组中的有效性.
• 探索ML模型作为IUO诊断临床决策支持工具的实用性.
• 评估线性差异分析 (LDA) 模型在区分感染,恶性瘤,类风湿病和未诊断病例方面的性能.

主要方法:

• 对300名入院IUO患者的回顾性分析.
• 开发了四种二元一对一休息的LDA模型和一个多类LDA框架.
• 在10个独立运行中使用准确度,灵敏度,特异性,精度,F1得分和负预测值 (NPV) 的评估.

主要成果:

• 恶性瘤模型实现了91.7%的准确性和0.96的特异性.
• 感染模型表现出高特异性 (0.88) 和NPV (0.86),敏感度为0.71.
• 风湿学模型显示0.81的灵敏度和0.73的特异性;未被诊断的模型达到96.7%的准确性和0.98的特异性.
• 多类LDA框架的整体准确率为73.3% (平均为66%),特异性为0.90和NPV为0.89.

结论:

• 基于ML的LDA模型显示出作为IUO诊断的决策支持系统的巨大潜力.
• 模型准确地预测了恶性瘤和感染,但类型类别的风湿病需要额外的数据.
• 进一步的前性,多中心验证是必要的,以完善和实施这些ML方法在临床实践中.