艾滋病毒阳性患者中NTM疾病的诊断模型:基于机器学习的分析,使用新型炎症标志物
Longfen Li1,2,3, Chunjing Shi1,2,3, Xing Liu4
1Tuberculosis Department 3, The Third People's Hospital of Kunming, Kunming, China.
Frontiers in immunology
|December 1, 2025
概括
这项研究开发了两种机器学习模型,使用炎症标志物用于早期诊断艾滋病毒阳性患者的非结核性真菌菌菌病 (NTM). 这些模型,包括后勤回归和随机森林,在结核病被排除在外时,对临床查有希望.
科学领域:
- 传染性疾病 传染性疾病
- 医疗信息学 医疗信息学
- 生物化学 生物化学
背景情况:
- 非结核菌 (NTM) 联合感染是艾滋病毒阳性个体中日益严重的全球健康问题.
- 目前对NTM疾病的诊断方法 (培养,分子技术) 是耗时的,昂贵的,技术要求很高.
- 对于艾滋病毒阳性患者的NTM疾病,迫切需要早期诊断策略.
研究的目的:
- 研究新型炎症标志物在HIV阳性患者中早期诊断NTM疾病的潜力.
- 开发和验证基于机器学习的预测模型,用于早期NTM疾病检测.
- 为了在这个人群中早期识别NTM疾病,提供一个科学合理和临床可行的基础.
主要方法:
- 对4,496名艾滋病毒感染者的回顾性分析,其中78人被诊断患有NTM疾病 (实验组),187人没有 (对照组).
- 使用LASSO回归进行初始变量选,然后使用后勤回归 (LR),随机森林 (RF) 和支持向量机 (SVM) 进行模型开发.
- 使用ROC曲线 (AUC),校准曲线,Hosmer-Lemeshow测试和决策曲线分析 (DCA) 评估模型性能.
主要成果:
- 七个炎症标志物 (WBC,SAA,NLR,MLR,PLR,CAR,CALLY) 被确定为重要的预测因素.
- 两种LR和RF模型都表现出强大的预测性能 (训练时AUC分别为0.850和0.849,验证时分别为0.873和0.860).
- LR和RF模型显示出良好的校准,稳定性和临床实用性,而SVM模型由于校准不佳而被排除在外.
结论:
- 白血球,NLR,PLR,CAR和CALLY是早期识别艾滋病毒阳性患者NTM疾病的有价值指标.
- 开发的LR和RF模型提供了强大,稳定和临床适用的工具,用于查和早期诊断与HIV并发的NTM疾病.
- 这些模型可以帮助临床医生查怀疑患有真菌菌菌感染的艾滋病毒患者,在排除结核病后.
