预测与血小板衰竭综合征严重发烧的死亡风险:一项多中心回顾性队列研究

科学领域:

• 传染性疾病 传染性疾病
• 生物医学信息学 生物医学信息学
• 计算生物学 计算生物学

背景情况:

• 严重发烧与血小板缺血综合征 (SFTS) 是一种高死亡率的传播疾病.
• 目前的临床实践缺乏动态工具来评估SFTS进展.
• 需要准确的预后模型来指导患者管理.

研究的目的:

• 开发特定阶段的机器学习模型来预测SFTS死亡风险.
• 确定SFTS不同临床阶段死亡率的关键预测因素.
• 为个性化SFTS患者护理创建一个动态分期系统.

主要方法:

• 对5359名实验室确认的SFTS患者进行了回顾性分析.
• 开发一个使用极端梯度提升 (XGBoost) 的三阶段预后模型,使用46个纵向变量.
• 阶层分类来定义早期 (≤7天),中间 (8-9天) 和晚期 (≥10天) 的临床阶段.

主要成果:

• 死亡率的关键预测因素包括年龄,乳酸脱酶 (LDH) 和单细胞百分比.
• 在不同阶段确定了明显的病理生理变化:早期的病毒细胞瘤病变,中间的免疫病理学和晚期的肝功能衰竭.
• XGBoost 模型表现出强烈的区分 (AUC 0.84-0.98) 和内部和外部测试集的校准.

结论:

• 集成机器学习模型的动态分期系统可以有效监测SFTS死亡风险.
• 个性化风险评估能够及时进行干预,以减少与SFTS相关的死亡.
• 这种方法为优化SFTS患者管理和改善结果提供了有价值的工具.