一个经过验证的模型用于早期预测A组链球菌病因在死亡软组织感染中,使用最小的患者数据
Sonja Katz1,2, Jaco Suijker3,4,5, Steinar Skrede6,7
1Laboratory of Systems and Synthetic Biology, Wageningen University and Research, Wageningen, The Netherlands.
BMC medicine
|January 9, 2026
概括
机器学习模型可以使用早期临床数据预测死结软组织感染 (NSTI) 中的A组链球菌 (GAS). 这有助于及时治疗和控制这些严重疾病的感染.
科学领域:
- 传染性疾病 传染性疾病
- 医疗信息学 医疗信息学
- 计算生物学 计算生物学
背景情况:
- 死亡软组织感染 (NSTI) 是一种严重的,危及生命的细菌感染,治疗改善有限.
- 微生物病因学对于指导NSTI治疗至关重要,需要早期诊断方法.
- 目前对NSTI的治疗策略在很大程度上是普遍的,这凸显了针对性干预的需要.
研究的目的:
- 开发和验证机器学习模型,以利用早期临床数据预测NSTI中的微生物病因.
- 评估模型预测与手术管理和器官支持相关的临床终点的能力.
- 为了能够更早地识别特定的细菌病因,如A组链球菌 (GAS),进行量身定制的治疗.
主要方法:
- 利用了国际INFECT研究 (409名成年人) 和荷兰外部队列 (216名成年人) 的数据.
- 开发了机器学习模型来预测GAS病因和五个临床终点,使用700多个变量.
- 采用无监督变量选择和沙普利添加剂解释模型可解释性和验证.
主要成果:
- 一个使用八个手术前变量的模型准确地预测了在发育 (ROC-AUC 0.828) 和验证队列 (ROC-AUC 0.758) 中的GAS病因.
- 关键预测因素包括年龄,糖尿病,受影响区域,之前的手术,肌素和血红蛋白.
- 模型未能预测有关手术管理,ICU停留和器官支持的临床终点.
结论:
- 开发并验证了一种机器学习模型,用于仅从手术前数据中预测NSTI中的GAS病因.
- 早期发现GAS可以改善临床管理,治疗决策和感染控制策略.
- 该模型支持量身定制的方法来降低传播风险,并改善NSTI病例患者的治疗结果.
