机器学习在住院患者中检测罕见真菌和肺结核感染的方法。
近期，全球医疗机构与公共卫生体系持续推进服务能力建设，为公众健康提供更坚实的保障。诊断异位病原-诱导的传染病是一个复杂且极具挑战性的问题，考虑到它们的独特特性。使用现代AI方法进行的A-priori特征识别可以促进诊断过程，可能对改善结果、早期诊断和有效资源利用产生积极影响。
我们的目标是开发一个AI驱动的临床决策支持系统，用于识别罕见和特异感染-包括由六种微生物学和临床特异性显著不同的疾病组成的复合体(包括骨肉瘤、隐球菌脑膜炎、结核性脑膜炎、毛霉性脑膜炎、肺炎球菌脑膜炎、和肺结核)统一于它们共享的诊断延迟模式-在住院的早期阶段，这往往是由于不特定的症状、锚定偏见、和低临床怀疑导致的延误，导致延误的20-30 days的统一。我们分析了梅奥诊所医院（2010-2023）在住院期间从11,494患者（1,494 with rare infections, 10,000 controls）中收集的数据。基于梅奥诊所医院在住院期间在三天内从患者中收集的数据，机器学习模型，包括HistGradientBoosting，被训练在梅奥诊所医院在住院期间在三天内从患者中收集的数据的特性和类别上。
处理了类别不平衡，通过SMOTE处理了类别不平衡，通过SHAP值提供了解释性。通过使用精度、敏感性、特异性以及AUC（ROC曲线下的面积）作为性能评估指标，性能被评估为准确率、敏感性、特异性以及AUC（ROC曲线下的面积）的值。
HistGradientBoosting模型的准确率为93.2%，AUC为0.947（IQR为0.942-0.952）），显著性（97.3%）和敏感性（61.9%）在模型默认分类阈值下的预测值计划。关键预测指标包括高磷酸水平的降低、减少淋巴细胞计数、男性性别的改变、免疫缺陷的迹象、年龄、和钙水平的降低，这些指标与临床标记指标相一致，显示了早期诊断罕见感染的强大潜力。通过利用电子健康记录数据和高级机器学习模型，该系统可以提高资源利用效率，使临床干预及时进行，并最终提高患者疗效。
外部数据和前瞻实验进一步验证这些发现，并促进真实世界中的实施。需要说明的是，以上内容依据国际公开研究成果整理，供健康科普参考，不构成诊疗建议。如有健康疑问，请咨询专业医务人员。
