|
| 白细胞群落参数的血流感染机器学习模型构建 |
|
| 投稿时间：2025-01-16 |
| DOI：10.3969/j.issn.1000-0399.2025.10.011 |
| 中文关键词: 血流感染 白细胞群落参数 机器学习 预测模型 |
| 英文关键词: |
| 基金项目: |
|
| 摘要点击次数: 739 |
| 全文下载次数: 211 |
| 中文摘要: |
| 目的 基于白细胞群落参数（CPD）筛选疑似感染患者确诊血流感染的预测因素，使用机器学习算法构建血流感染的临床预测模型。方法 回顾性分析2023年5月至2024年6月在中山大学孙逸仙纪念医院收治的368例疑似感染患者资料，根据患者血培养有无分离出病原微生物分为血流感染组（n=266）和无血流感染组（n=102）。采用单因素分析血流感染的影响因素，使用多因素logistic回归、支持向量机（SVM）、极端梯度提升（XGBoost）、决策分类回归树（CRT）的机器学习算法构建血流感染的预测模型，并采用受试者工作（ROC）曲线比较4种方法 构建的模型对血流感染的预测价值。结果 单因素分析筛选出15项差异指标，多因素logistic回归结果显示，C反应蛋白（CRP）、血清淀粉样蛋白A（SAA）、血小板计数与淋巴细胞计数比值（PLR）、单核细胞细胞复杂性（MO-X）、中性粒细胞核酸含量的弥散宽度（NE-WY）、淋巴细胞百分比（LYMPH%）、单核细胞百分比（MONO%）、单核细胞大小（MO-Z）均是血流感染的独立影响因素（P＜0.05）。采用决策树CRT法构建的预测模型显示，NE-WY、CRP、SAA、MO-X、MONO%、中性粒细胞核酸含量（NE-SFL）均是血流感染的分类因素。SVM结果显示，预测血流感染的前10位因素重要性排序为CRP、SAA、MO-X、NE-WY、MONO%、LYMPH%、NE-SFL、PLR、中性粒细胞百分比（NEUT%）、淋巴细胞大小的弥散宽度（LY-WZ）。XGBoost模型结果显示，预测血流感染的特征重要性从高到低依次为全身免疫炎症指数（SII）、CRP、NE-WY、中性粒细胞大小的弥散宽度（NE-WZ）、PLR、LY-WZ、中性粒细胞计数与淋巴细胞计数比值（NLR）、NE-SFL、MONO%、单核细胞细胞复杂性的弥散宽度（MO-WX）、NEUT%、SAA。4种机器学习算法构建的模型的曲线下面积（AUC）均大于0.800，其中CRT模型预测效能最佳，AUC为0.940，准确率为87.23%，灵敏度为93.61%，特异度为70.59%。结论 基于CPD使用机器学习算法构建的疑似感染患者确诊血流感染模型均具有较好的预测效能，其中以CRT模型诊断效能最佳，可进一步推广应用以验证预测模型的效能。 |
| 英文摘要: |
| |
|
查看全文
查看/发表评论 下载PDF阅读器 |
| 关闭 |
