Kỹ thuật học máy để phát hiện các loại vi khuẩn hiếm hoi và bệnh lao trong những người bị ốm.

Gần đây, các cơ quan y tế toàn cầu và hệ thống sức khỏe công cộng đã tiếp tục thúc đẩy việc xây dựng năng lực dịch vụ để đảm bảo an ninh mạnh mẽ hơn cho sức khoẻ của người dân. Các bệnh lây nhiễm do chất gây rối xyô 4 là một vấn đề phức tạp và cực kỳ thách thức khi xem xét đặc tính độc đáo của chúng. Mục tiêu của chúng tôi là phát triển một hệ thống hỗ trợ quyết định lâm sàng được điều khiển bởi AI để xác nhận các nhiễm trùng hiếm và đặc biệt - bao gồm cả bộ phức hợp có 6 bệnh khác nhau về microbi học và tính riêng tư lâm sàng: viêm xương rồng, viêm não tifocytomatoid, viêm tâm thần kinh nội tạng (tuberculosis), viêm timus ômonococcalopathy, viêm nippleomycosis, và ung thư phổi) đồng nhất với mô hình trì hoãn 7 trong giai đoạn đầu 0, thường do sự chậm trễ gây ra bởi những triệu chứng không cụ thể, thiên vị phân sắc, và nghi ngờ lâm sàng thấp dẫn đến sự chậm lại 20-30 days. Chúng tôi đã phân tích dữ liệu được thu thập từ 11,494 bệnh nhân trong thời gian Tiểu Bình 2010-2023) và 1,494 với nhiễm trùng hiếm, 10.000 kiểm soát. Dựa trên dữ liệu mà Tiểu Bình đã thu thập từ các bệnh nhân trong 3 ngày trong thời kỳ Tiểu Bình 2, mô hình học máy, bao gồm HystGradientBoosting, được đào tạo về tính chất và loại dữ liệu của những người bị tập trung tại Tiểu Bình trong vòng 3 ngày. Các loại không cân bằng được xử lý qua SMOTE, giải thích thông qua SHAP. Qua việc sử dụng độ chính xác, nhạy cảm, đặc điểm và diện tích dưới đường cong AUC (ROC) như một chỉ số đánh giá hiệu suất, tính năng được đánh giá là tỷ lệ chính xác, sự nhạy cảm, Đặc biệt và diện tích bên cạnh đường cong ROC (AUC). Các mô hình HistGradientBoosting có độ chính xác 93.2%, AUC 0,947 ((IQR 0.942-0.952)), đáng kể (97.3%) và nhạy cảm (61.9%) được dự báo dưới ngưỡng phân loại mặc định của mô hình. Những chỉ số tiên đoán quan trọng bao gồm giảm hàm lượng axit cao, giảm tần số tế bào lymphocytes, thay đổi giới tính nam, dấu hiệu thiếu khả năng miễn dịch, tuổi tác, và mức đồng nhất với các chỉ số lâm sàng cho thấy tiềm năng mạnh mẽ trong nhiễm trùng hiếm sớm. Bằng cách sử dụng dữ liệu ghi chép y tế điện tử và mô hình học máy nâng cao, hệ thống này có thể cải thiện hiệu quả sử dụng tài nguyên để thực hiện các can thiệp lâm sàng kịp thời và cuối cùng là tăng cường hiệu quả của bệnh nhân. Dữ liệu bên ngoài và thử nghiệm tiên tiến sẽ xác nhận thêm những phát hiện này và thúc đẩy việc triển khai trong thế giới thực.