预测尿路感染的多因素机器学习模型:试点研究

科学领域:

• 免疫学和微生物学
• 生物化学 生物化学
• 医疗保健中的人工智能

背景情况:

• 维生素D对于免疫功能和-酸盐平衡至关重要.
• 维生素D缺乏与免疫失调有关,增加了诸如尿路感染等感染的风险.
• 尿中的25-基维生素D (25(OH) D) 水平正在被探索为尿路感染风险的潜在生物标志物.

研究的目的:

• 为了研究尿液25OH) D水平与尿路感染发生之间的关联.
• 开发和评估机器学习模型,以利用人口和生物化学数据进行尿路感染预测.

主要方法:

• 分析了358名受试者的队列,收集了人口统计,生化和微生物学数据.
• 开发了12个机器学习模型,使用尿25 (OH) D,尿液pH,年龄和性别.
• 模型使用包括精度,灵敏度,特异性,PPV,NPV,AUC-ROC和F1分数在内的指标进行评估.

主要成果:

• 在阳性和阴性尿液培养 (p < 0.001) 个体之间观察到尿25(OH) D水平的显著差异.
• 机器学习模型的准确度从64%到87%不等,堆叠模型的准确度达到88%.
• 性能最好的堆叠模型显示了83%的灵敏度,94%的特异性,AUC-ROC为0.93.

结论:

• 下尿25~OH) D水平显著与增加的尿路感染发生有关.
• 机器学习模型显示出作为UTI诊断的辅助工具的前景,补充传统方法.
• 需要进一步的验证和前性研究来评估这些预测模型的临床影响.