基于机器学习的PCR确诊衣原体感染检测前风险分层：利用患者报告数据与尿液生物标志物
机器学习
2026-05-19 v1 数据库
摘要
早期识别沙眼衣原体感染高风险个体可能有助于在资源感知筛查中优化分子检测的使用。我们评估了使用基于常规可用、非侵入性临床数据训练的机器学习模型进行检测前风险分层(PTRS)的可行性。分析了包含93份尿液样本（带有PCR参考标签）的整理数据集，使用了三组特征：患者报告的历史和症状、来自标准尿液分析的尿液生物标志物，以及它们的组合。使用分层5折交叉验证和折外概率估计评估了五种监督分类器。通过受试者工作特征曲线下面积(AUC)和阈值相关指标评估性能，并使用自助法置信区间量化不确定性。仅使用患者报告数据的模型显示出中等区分能力（AUC最高0.72）。基于尿液生物标志物的模型显示出略低的峰值区分能力，但性能更一致，集成方法产生了最强结果。组合特征组略微提高了峰值AUC并减少了跨模型的性能变异性，表明鲁棒性增强。研究结果表明，尿液生物标志物为PTRS提供了与患者报告信息互补的可靠预测信号，而特征整合增强了鲁棒性。这项工作支持将非侵入性、常规可用信息用于PTRS整合到筛查工作流程中，包括分散式或基于家庭的PCR环境，以优化检测优先级。
引用
@article{arxiv.2605.16365,
title = {Machine Learning-Based Pre-Test Risk Stratification for PCR-Confirmed Chlamydia Using Patient-Reported Data and Urine Biomarkers},
author = {Mehrab Mahdian and Marko Lehes and Katrin Krolov and Tamas Pardy},
journal= {arXiv preprint arXiv:2605.16365},
year = {2026}
}