机器学习模型用于预测患有异常性综合征的儿童的严重感染:多中心回顾性研究
Sijie Yu1, Wenhao Tang1, De Zhang2
1Department of Nephrology, Children's Hospital of Chongqing Medical University, National Clinical Research Center for Child Health and Disorders, Ministry of Education Key Laboratory of Child Development and Disorders, Chongqing Key Laboratory of Pediatric Metabolism and Inflammatory Diseases, 136 Zhongshan 2nd Road, Yuzhong District, Chongqing, China.
机器学习可以准确地预测患有异常性性综合征 (INS) 的儿童的严重感染. 这种工具有助于早期检测,通过识别高风险个体进行及时干预,改善患者的治疗结果.
科学领域:
- 儿科脏病学 儿科脏病学
- 传染性疾病 传染性疾病
- 医疗保健中的机器学习
背景情况:
- 感染是患有异常性性综合征 (INS) 的儿童的重要并发症.
- 早期识别严重感染对于改善INS患者的治疗结果至关重要.
研究的目的:
- 开发和验证机器学习 (ML) 模型,用于预测儿科INS患者的严重感染.
- 确定这一脆弱人群中严重感染的关键预测因素.
主要方法:
- 一项多中心回顾性研究,涉及2357名患者进行模型导出和372名患者进行外部验证.
- 分析了41个变量的数据;使用单变量分析和LASSO回归,选择了10个变量.
- 进行了10个ML模型的比较,通过ROC分析选择了最好的模型.
主要成果:
- 光梯度增强机 (LightGBM) 模型显示出优异的预测性能 (AUROC:0.912,AUPRC:0.915在导出;AUROC:0.979,AUPRC:0.842在验证).
- 关键预测因素包括C反应性蛋白,血红蛋白,白细胞计数和免疫抑制剂的使用.
- 该模型在预测严重感染方面实现了高精度 (0.843) 和灵敏度 (0.842).
结论:
- 开发的LightGBM模型在预测INS儿童严重感染方面表现出色.
- 这种ML工具为早期感染检测提供了一种潜在的有效,方便和经济高效的方法.
相关概念视频
Nephrotic Syndrome II : Assessment and Medical Management
Nephrotic Syndrome I : Introduction
Nephrotic Syndrome III : Nursing Management
Acute Kidney Injury IV: Diagnostic Studies and Prevention
Drug Dosing in Renal Diseases: Estimation of Glomerular Filtration Rate Based on Serum Creatinine Concentration
Acute Kidney Injury I: Introduction
