基于胸部计算机断层扫描的机器学习模型用于识别患有Mycoplasma pneumoniae肺炎的儿童的塑性支气管炎

科学领域:

• 儿科肺病学 儿科肺病学
• 医疗成像医学成像
• 人工智能在医学中的应用

背景情况:

• 塑性支气管炎 (PB) 是Mycoplasma pneumoniae肺炎 (MPP) 的一个严重并发症.
• 在患有MPP的儿童中早期发现PB对于及时有效治疗至关重要.
• 肺部巩固是MPP儿童的常见发现.

研究的目的:

• 开发和验证一种机器学习 (ML) 模型,用于预测MPP和肺结合儿童的PB.
• 整合临床风险因素和胸部计算机断层扫描 (CT) 功能,以提高预测准确度.
• 建立一个可靠的工具,用于早期检测PB,潜在地避免侵入性程序.

主要方法:

• 从三个中心对777名患有MPP和肺结合的儿童进行了回顾性分析.
• 使用最小绝对收缩和选择操作员回归来进行放射学特征选择.
• 开发了一种结合临床和放射学数据的多因素预测模型.
• 使用ROC曲线和决策曲线分析 (DCA) 评估模型性能.

主要成果:

• 一个包含七个放射学特征和多流的多因素模型实现了高预测性能.
• 曲线下的面积 (AUC) 值在训练,测试和验证集中范围从0.770到0.831.
• 多因素模型显著优于仅CT和仅临床的预测模型.
• 校准曲线和DCA证实了模型的准确性和临床实用性.

结论:

• 开发的多因素ML模型允许在儿科MPP中早期和可靠地识别PB.
• 这种预测工具可以帮助临床医生在像光纤支气管镜术这样的侵入性诊断程序之前开始适当的治疗.
• 临床和CT衍生的放射学特征的整合为儿童的PB管理提供了有前途的方法.