目的采用机器学习技术构建儿童甲型流行性感冒并发危重症肺炎的个体化预测模型,充分挖掘高危因素,以及早开展精准预防治疗措施改善预后。方法收集儿童甲型流行性感冒肺炎患儿的临床数据;采用机器学习XGBoost算法,分别基于临床全指标和...目的采用机器学习技术构建儿童甲型流行性感冒并发危重症肺炎的个体化预测模型,充分挖掘高危因素,以及早开展精准预防治疗措施改善预后。方法收集儿童甲型流行性感冒肺炎患儿的临床数据;采用机器学习XGBoost算法,分别基于临床全指标和临床常用指标构建2套诊断预测模型,对比2个模型的诊断价值及相应用于预测指标的重要性排名。结果全指标预测模型的准确度、模型诊断结果与观察结果一致性判断指标Kappa值、ROC曲线下面积(area under curve,AUC)、敏感度、阳性预测值、阴性预测值均优于临床常用指标预测模型。基于全指标的诊断预测模型的主要预测指标按重要性排名为呼吸衰竭、咳喘程度(重度喘息)、总B细胞、单核细胞、发热时间(>15 d)、辅助T细胞(CD4);基于临床常用指标的诊断预测模型的主要预测指标按重要性排名为呼吸衰竭、胸部X线片(肺炎)、混合菌或病毒。全指标预测模型的各指标增益值(横坐标)明显优于临床常用指标预测模型的指标。结论基于儿童甲型流行性感冒并发肺炎患儿的临床资料,采用机器学习技术,以儿童甲型流行性感冒并发危重症肺炎为变量,以临床基础资料和生化、免疫、影像等全指标作为预测因子,构建的个体化诊断预测模型的诊断价值较高,在预测个体并发危重症肺炎概率的同时,针对性挖掘个体高危因素,从而早预防治疗儿童甲型流行性感冒并发危重症肺炎,改善预后。展开更多
文摘目的采用机器学习技术构建儿童甲型流行性感冒并发危重症肺炎的个体化预测模型,充分挖掘高危因素,以及早开展精准预防治疗措施改善预后。方法收集儿童甲型流行性感冒肺炎患儿的临床数据;采用机器学习XGBoost算法,分别基于临床全指标和临床常用指标构建2套诊断预测模型,对比2个模型的诊断价值及相应用于预测指标的重要性排名。结果全指标预测模型的准确度、模型诊断结果与观察结果一致性判断指标Kappa值、ROC曲线下面积(area under curve,AUC)、敏感度、阳性预测值、阴性预测值均优于临床常用指标预测模型。基于全指标的诊断预测模型的主要预测指标按重要性排名为呼吸衰竭、咳喘程度(重度喘息)、总B细胞、单核细胞、发热时间(>15 d)、辅助T细胞(CD4);基于临床常用指标的诊断预测模型的主要预测指标按重要性排名为呼吸衰竭、胸部X线片(肺炎)、混合菌或病毒。全指标预测模型的各指标增益值(横坐标)明显优于临床常用指标预测模型的指标。结论基于儿童甲型流行性感冒并发肺炎患儿的临床资料,采用机器学习技术,以儿童甲型流行性感冒并发危重症肺炎为变量,以临床基础资料和生化、免疫、影像等全指标作为预测因子,构建的个体化诊断预测模型的诊断价值较高,在预测个体并发危重症肺炎概率的同时,针对性挖掘个体高危因素,从而早预防治疗儿童甲型流行性感冒并发危重症肺炎,改善预后。
