区分病毒与细菌感染：基于常规血液检测值的机器学习模型
机器学习
2024-04-24 v3
摘要
抗生素耐药性的日益增长威胁 necessitates 准确区分细菌与病毒感染以合理施用抗生素。在本研究中，开发了一个病毒对细菌(Virus vs. Bacteria)机器学习模型，利用16项常规血液检测结果、C反应蛋白浓度(CRP)、生物学性别与年龄来区分这些感染类型。基于来自单一医疗中心的44,120例数据集，该模型达到了82.2%的准确率、79.7%的灵敏度、84.5%的特异度、0.129的Brier分数以及0.905的ROC曲线下面积(AUC)，优于基于CRP的决策规则。值得注意的是，该机器学习模型在CRP为10–40 mg/L的区间内提升了准确率，而该区间内仅凭CRP信息量较低。这些结果凸显了在诊断中整合多项血液参数的优势。“病毒对细菌”模型为先进诊断工具铺平了道路，利用机器学习优化感染管理。
引用
@article{arxiv.2305.07877,
title = {Differentiating Viral and Bacterial Infections: A Machine Learning Model Based on Routine Blood Test Values},
author = {Gregor Gunčar and Matjaž Kukar and Tim Smole and Sašo Moškon and Tomaž Vovko and Simon Podnar and Peter Černelč and Miran Brvar and Mateja Notar and Manca Köster and Marjeta Tušek Jelenc and Marko Notar},
journal= {arXiv preprint arXiv:2305.07877},
year = {2024}
}
备注
16 pages