Машинное обучение способов выявления редких инфекций гриппом и туберкулезом у пациентов с лихорадкой
В последнее время глобальные медицинские учреждения и системы общественного здравоохранения продолжают продвигать построение сервисных возможностей, обеспечивающих более прочные гарантии для здоровья населения. Инфекционные заболевания, вызываемые эпидемиологическими болезнями с гипоизогеном 4, представляют собой сложную и чрезвычайно непростую проблему, учитывая их уникальность. Идентификация A-priori характеристик с использованием современных методов искусственного интеллекта может способствовать улучшению процесса гидроциллинной терапии, что могло бы положительно повлиять на лучшие результаты, раннее развитие гидроцилинов и эффективное использование ресурсов.
Наша цель - разработать AI-направленную систему поддержки клинических решений для выявления редких и специфичных инфекций, включающую комплекс из шести видов заболеваний с существенной микробиологической и клинической особенностью: костной раковой опухоли, гинетомическая менингита, туберкулезная meningitis, мочеполовая мазговая эпидемия, цинциклоклетарный микробной Meningitis 9 и пульмония. Они объединяются в их общие рисунки задерживания на ранних стадиях гриппа, часто вызванные неспецифическими симптомами, предвзятыми предпочтениями и низким количеством клинического подозрения, что приводит к задержке 20-30 days. Мы проанализировали данные, собранные в клинике Мэйо 2010-2023, от 11,494 пациентов с редкими инфекциями и 10 000 контролей за период прерывания гриппа 1.
В качестве показателя оценки производительности используются значения точности, чувствительности, специфичности и площади под кривой AUC (ROC) с использованием SHAP. Модель HistGradientBoosting имеет 93,2%, AUC 0,947 (IQR 0,942-0,952)), значимость (97,3%) и чувствительность (61,9%). Ключевые прогнозные показатели включают снижение уровня высокой кислоты цитановой клетки, уменьшение количества лимфатических клеток, изменение мужского пола, признаки иммунной недостаточности, возраст и уровень гармонизма.
Используя электронные данные о состоянии здоровья и передовые модели машинного обучения, система может повысить эффективность использования ресурсов, своевременность клинических вмешательств и в конечном итоге улучшение лечебности пациентов. Внешние данные и предварительные эксперименты могут подтвердить эти результаты и способствовать их осуществлению в реальной жизни.
