开发一种机器学习模型,用于诊断儿科下呼吸道感染
Ah Ra Lee1, Hyunju Lee2, Youngmin Cho2
1Office of eHealth Research and Businesses, Seoul National University Bundang Hospital, Seongnam, Republic of Korea.
Scientific reports
|November 25, 2025
概括
机器学习模型准确地诊断儿科呼吸道感染并识别病原体类型,大大减少不必要的抗生素处方. 这种方法有助于临床决策,并打击抗生素耐药性.
科学领域:
- 医疗信息学 医疗信息学
- 儿童传染病 儿童传染病
- 医疗保健中的机器学习
背景情况:
- 儿童社区获得的下呼吸道感染 (CA-LRTI) 带来了诊断挑战.
- 区分细菌和病毒病原体对于适当的抗生素管理至关重要.
- 目前的诊断方法可能导致过度使用抗生素.
研究的目的:
- 开发和验证用于诊断儿科CA-LRTI的机器学习 (ML) 方法.
- 区分导致CA-LRTI的细菌和病毒病原体.
- 评估ML对抗生素处方实践的潜在影响.
主要方法:
- 这是一项回顾性队列研究,涉及8,583名儿科患者.
- 开发和评估5个ML算法用于诊断和病原体分类.
- 利用随机森林模型,以实现其卓越的性能.
主要成果:
- 随机森林模型实现了高的诊断准确性 (AUROC 0.953-0.961).
- 病原体分类的表现也很强 (AUROC 0.918).
- 预计抗生素使用量将从64.8%减少到48.7%.
结论:
- ML模型在诊断儿科CA-LRTI和识别致病原体方面表现出高效.
- 这些模型的实施可以显著减少不适当的抗生素处方.
- 这项技术为抗生素管理提供了宝贵的支持,特别是在资源有限的环境中,以及对抗抗菌素耐药性的打击.
