基于CT的Radiomics的多中心研究,用于预测Mycoplasma pneumoniae肺炎的严重程度和延迟恢复

科学领域:

• 医疗成像医学成像
• 肺部病理学 肺部病理学
• 人工智能在医学中的应用

背景情况:

• 在临床实践中,Mycoplasma pneumoniae肺炎 (MPP) 构成了重大挑战,疾病严重程度和康复时间在患者之间存在很大差异.
• 准确预测MPP严重程度和延迟恢复对于及时有效的患者管理至关重要.

研究的目的:

• 开发和验证一个结合Mycoplasma pneumoniae pneumonia (MPP) 的临床,成像和放射学特征的预测模型.
• 评估该模型能够预测MPP患者的疾病严重程度和延迟恢复的能力.

主要方法:

• 一项多中心回顾性研究,涉及培训队列中的238名患者,测试队列中的60名患者和验证队列中的278名患者.
• 从胸部CT扫描中提取了放射学特征,并使用最小绝对收缩和选择操作员 (LASSO) 回归来进行特征选择.
• 三种基于森林的随机模型 (临床图像,放射学和综合) 被开发并使用AUC,校准和临床效用指标进行评估.

主要成果:

• 综合模型在预测严重程度 (验证AUC:0.784) 和延迟恢复 (验证AUC:0.865) 方面表现优于仅使用临床图像和放射学模型.
• 综合歧视改善 (IDI) 分析证实,综合模型有显著的改善 (p < 0.05).
• 发现的关键预测因素包括D-二聚合物,全身免疫炎症指数和整合模式.

结论:

• 结合临床,成像和放射学数据的综合模型为MPP提供了增强的风险分层.
• 这种方法可以改善患有Mycoplasma pneumoniae pneumonia的患者的疾病严重程度和延迟恢复的预测.
• 这些发现支持多式联络数据集成在优化MPP患者管理方面的临床实用性.