基于机器学习的死亡预测模型,用于克里米亚-刚果出血热患者

科学领域:

• 传染性疾病 传染性疾病
• 医疗信息学 医疗信息学
• 生物统计学 生物统计学

背景情况:

• 克里米亚-刚果出血热 (CCHF) 构成了严重的公共卫生威胁.
• 识别CCHF患者的死亡风险因素对于及时干预至关重要.
• 机器学习为分析复杂疾病数据提供了先进的工具.

研究的目的:

• 为了确定CCHF患者死亡的风险因素.
• 评估机器学习模型对CCHF死亡率的预测性能.
• 确定预测CCHF相关死亡的最有效参数.

主要方法:

• 使用了机器学习算法,包括XGboost,物流回归,随机森林,LightGBM和梯度提升分类器.
• 开发了使用891例确诊CCHF病例数据的预测模型.
• 使用接收器操作特征 (ROC) 分析和曲线下的面积 (AUC) 评估模型性能.

主要成果:

• 实现了高预测性能,AUC值为0.849 (XGboost),0.919 (逻辑回归) 和0.853 (梯度提升分类器).
• 确定了血小板计数,中性粒细胞与淋巴细胞比率 (NLR) 和中性粒细胞计数作为死亡率的首要预测因素.
• 在确诊的CCHF病例中,总体死亡率为3.3%.

结论:

• 机器学习模型,特别是物流回归,XGboost和梯度提升分类器,可以有效预测CCHF死亡率.
• 血小板计数,NLR和中性粒细胞计数是评估CCHF患者死亡风险的重要指标.
• 这些发现可以帮助临床决策和资源分配用于CCHF管理.