作为PLWH中活跃结核病的关键预测生物标志物的IFN-γ和IL-6:四种机器学习方法的结果
Juan Wan1, Virasakdi Chongsuvivatwong2, Pei Zhang1
1Department of Public Laboratory, The Third People's Hospital of Kunming /Infectious Disease Clinical Medical Center of Yunnan Province, Kunming, Yunnan, People's Republic of China.
International journal of general medicine
|February 20, 2026
概括
在携带艾滋病毒 (PLWH) 的人群中,结核病 (TB) 诊断具有挑战性. 使用IFN-γ和IL-6的机器学习模型显示出有希望的结果,但在预测活跃结核病的概括性方面存在困难.
科学领域:
- 传染性疾病 传染性疾病
- 免疫学 免疫学 免疫学
- 生物医学数据科学 生物医学数据科学
背景情况:
- 结核病 (TB) 是艾滋病毒感染者 (PLWH) 的主要死亡原因.
- 在PLWH中对活跃结核病的早期和准确诊断至关重要,但仍然是一个重大挑战.
- 需要生物标志物发现和先进的计算方法来提高诊断能力.
研究的目的:
- 确定生物标志物的新组合,以预测PLWH中的活跃结核病.
- 开发和评估用于主动结核病预测的机器学习 (ML) 模型.
- 在随机和时间分割数据集上评估模型性能.
主要方法:
- 招募了760名肺部症状的PLWH,收集了人口统计,临床和细胞因子数据.
- 开发了四个ML模型,使用10倍交叉验证,特征选择和超参数优化.
- 评估模型使用ROC-AUC,灵敏度,特异性和随机和时间数据分割的变量重要性.
主要成果:
- 干扰素- (IFN-γ) 和干扰素-6 (IL-6) 水平在活跃的结核病患者中显著升高.
- 使用IFN-γ和IL-6的梯度增强机 (GBM) 模型在随机数据集 (0.96训练,0.73测试) 上实现了高AUC.
- GBM 模型的概括性有限,在按时间顺序排列的测试组中,AUC (0.66) 较低.
结论:
- IFN-γ和IL-6的升高可能表明PLWH中的结核病激活.
- 当前的ML模型虽然在随机分割上有效,但在预测按时间顺序排序的现实数据中的活跃TB方面存在局限性.
- 需要进行进一步的研究,以提高基于ML的结核病诊断工具在PLWH中的通用性.


