机器学习模型用于预测严重发烧的早期死亡率,并具有血小板缩小综合征
Chenxi Zhao1, Tingyu Zhang1, Ziruo Ge1
1National Key Laboratory of Intelligent Tracking and Forecasting for infectious Diseases, Beijing Ditan Hospital, Capital Medical University, Beijing 100015, China.
iScience
|March 2, 2026
概括
一个机器学习模型准确地预测了患有严重发烧与血小板缺血综合征 (SFTS) 的患者的死亡风险. 这种工具有助于为这种严重的病毒性疾病做出临床决策和资源分配.
科学领域:
- 传染性疾病 传染性疾病
- 医疗信息学 医疗信息学
- 机器学习在医学中的应用
背景情况:
- 严重发烧与血小板缺血综合征 (SFTS) 是一种具有高死亡率的严重病毒性疾病.
- 早期预测死亡风险对于SFTS患者的有效临床管理至关重要.
研究的目的:
- 开发和验证可解释的机器学习 (ML) 模型,用于对住院SFTS患者的早期死亡风险评估.
- 为个性化SFTS预后创建一个实时,可访问的工具.
主要方法:
- 一项回顾性多中心队列研究包括1690名SFTS患者.
- 用LASSO回归来选择特征,然后对八个ML算法进行比较.
- 开发并验证了XGBoost模型,使用SHapley添加式扩展 (SHAP) 进行解释性.
主要成果:
- XGBoost模型显示出高预测性能,AUC为0.916 (训练) 和0.905 (验证).
- 在SHAP分析中,发现了六个关键的死亡率预测因素.
- 一个基于Web的工具 (https://sftsprognosis.com) 被部署用于实时风险预测和视觉解释.
结论:
- 开发的XGBoost模型为SFTS中早期死亡风险评估提供了一种可靠的方法.
- 该工具可以增强临床决策,并优化SFTS患者的资源配置.
- 这种方法为应用ML在管理新出现的传染病提供了可通用的框架.