基于机器学习的框架的开发和验证,以区分儿科支气管肺炎和叶膜肺炎:一个多中心的调查调查

科学领域:

• 儿科肺病学 儿科肺病学
• 医疗信息学 医疗信息学
• 医疗保健中的机器学习

背景情况:

• 准确区分儿科支气管肺炎和叶状肺炎对于有效的治疗和资源分配至关重要.
• 当前的诊断方法可能在精度和速度上有局限性,这会影响及时的临床支持.

研究的目的:

• 开发和验证一个机器学习 (ML) 框架,用于精确区分儿科支气管肺炎和叶膜肺炎.
• 加强早期临床决策,减少儿科呼吸道感染中不必要的医疗干预.

主要方法:

• 分析了2304名患有肺炎的儿科患者队列,数据分为培训,测试和外部验证集.
• 使用XGBoost,SVM-RFE和随机森林的特征选择确定了关键的血液学和生物化学参数.
• 开发并使用ROC曲线,AUC,灵敏度,特异性和SHAP值评估渐变增强模型;为临床实用性创建了一个名图.

主要成果:

• 梯度增强模型实现了高性能:AUC为0.947 (训练),0.968 (测试) 和0.989 (外部验证).
• 发现的关键预测因素是血小板数量大 (P-LCT) 和淋巴细胞百分比 (LYM%),肺炎类型之间存在显著差异 (P < 0.01).
• 通过决策曲线分析 (DCA),该名录显示出优异的校准 (C指数=0.962) 和临床实用性.

结论:

• 渐变增强模型提供了一个精确而强大的工具,用于区分儿科支气管肺炎和叶膜肺炎.
• 结合P-LCT和LYM%等生物标志物有助于理解病理生理学,优化抗生素使用,并指导住院决策.
• 这种ML方法支持精准医学和急性护理,可能降低医疗保健成本并改善患者的治疗结果.