相关实验视频
Updated: Jul 20, 2026
09:49
Experimental Model to Evaluate Resolution of Pneumonia
Published on: February 17, 2023
2.0K
基于血液的炎症参数和机器学习模型用于预测重症儿科肺炎的死亡率:一项回顾性队列研究
Shuai Hu1, Wanmin Xia1, Pei Tao1
1Department of Pediatric Respiratory, Chengdu Women's and Children's Central Hospital, School of Medicine, University of Electronic Science and Technology of China, Chengdu, China.
Translational pediatrics
|March 11, 2026
概括
中性细胞百分比,淋巴细胞百分比和血小板与中性细胞比率 (PNR) 预测了肺炎重症儿童的死亡率. 使用这些血液标记物的机器学习模型改善了儿科重症监护中的风险分层.
科学领域:
- 儿科重症监护医学 儿科重症监护医学
- 生物标志物发现发现
- 医疗保健中的机器学习
背景情况:
- 肺炎是重症儿童的主要死亡原因.
- 对于儿科重症监护机构而言,存在有限的验证的预后生物标志物.
- 识别可访问的血液参数对于风险分层至关重要.
研究的目的:
- 评估血液参数作为儿童肺炎医院死亡率的预测指标.
- 开发和验证用于死亡风险预测的机器学习模型.
主要方法:
- 606名儿科肺炎患者 (3个月-18岁) 的回顾性队列研究.
- 对预后因素的多变量考克斯回归和受限立方线分析.
- 六个机器学习算法使用7:3列车测试分割开发和验证.
主要成果:
- 中性细胞百分比,淋巴细胞百分比和PNR是死亡率的显著独立预测指标.
- 随机森林模型实现了0.877的AUC,超过了个别参数.
- 对于死亡率预测,ML模型表现出高灵敏度 (80.9%) 和特异性 (79.1%).
结论:
- 中性细胞百分比,淋巴细胞百分比和PNR作为独立的预后指标.
- 整合这些血液参数的机器学习模型为儿科重症监护中早期死亡风险分层提供了一个有希望的工具.
