評估機器學習以識別SIRS患者的菌血癥

維也納醫(yī)科大學的一組研究人員最近評估了機器學習策略的有效性，以確定受全身炎癥反應綜合征(SIRS)影響的患者的菌血癥。他們在科學報告中發(fā)表的研究收集了令人沮喪的結果，因為機器學習方法無法達到比當前診斷技術更高的準確性。

菌血癥是一種常見的醫(yī)學病癥，其特征在于血液中存在細菌，死亡率在13%至21%之間。過去的研究表明，許多因素與發(fā)生這種疾病的風險有關，包括高齡，尿或留置血管導管，化療和免疫抑制治療。

早期診斷菌血癥對受影響患者的生存至關重要，因為他們需要使用適當?shù)目股剡M行及時治療。目前，血培養(yǎng)(BC)分析是診斷病情的主要方法。然而，這種方法遠非理想，因為通常很難確定誰應該接受BC分析，結果需要大約三天才能處理，并且它可能導致大約8%的誤報。

因此，研究人員正在嘗試識別能夠更好地識別具有高菌血癥風險的患者的生物標記物或預測工具。到目前為止，已發(fā)現(xiàn)降鈣素原(PCT)是檢測病情的最佳生物標志物，匯總敏感性為76%，匯總特異性為69%。

在他們的研究中，研究人員調查機器學習策略是否可以提高PCT在診斷菌血癥方面的診斷性能，特別是對于不需要BC分析的兩種或更多SIRS癥狀的患者。他們收集了符合標準的466名患者的數(shù)據，并使用29個參數(shù)小組的臨床數(shù)據，細胞因子表達水平和標準實驗室標記來訓練他們的預測模型。

“我們研究的主要目的是顯示患者血液中表現(xiàn)出炎癥反應后是否存在細菌，可以通過實驗室參數(shù)和機器學習在早期預測并且比現(xiàn)在更好，”Georg Dorffner，其中一個進行這項研究的研究人員告訴Tech Xplore。“為此，我們與來自大學診所(AKH維也納)的患者進行了一項大型研究，以收集必要的數(shù)據。”

Doffner和他的同事使用了一些在機器學習領域流行的預測模型，評估了它們各自的有效性。他們特別關注兩個模型，一個使用神經網絡，另一個稱為隨機森林。

“我們使用的模型之一被稱為'神經網絡'，并找到了實驗室值的良好組合，例如也可以進行非線性(即非比例)預測，”Dorffner解釋說。“另一個 - 實際上表現(xiàn)最好的一個 - 被稱為'隨機森林'，由大量所謂的決策樹組成，每棵樹都試圖做出一系列逐步決策，每個決策都基于一個實驗室價值，什么是最好的預測。這些樹然后像委員會一樣工作(因此，名稱'森林')。“

在他們的研究中，隨機森林策略在預測菌血癥方面取得了最好的結果。然而，它實現(xiàn)了與生物標志物PCT相同的診斷準確度，表明流行的機器學習技術不能比當前采用的方法更好地預測病癥。

“我們最有意義的發(fā)現(xiàn)是，一組幾個實驗室值不能導致比其他人正在使用的一個值更好的預測，即血液中降鈣素原的水平，”Dorffner解釋說。“因此，在這種情況下，機器學習并沒有真正幫助推進臨床常規(guī)。這仍然是一項值得努力的事情，因為我們的研究結果告訴其他研究人員，這個問題顯然不可預測，從而使他們無法在這個方向上進一步開展工作。”

雖然Dorffner及其同事收集的結果有些令人失望，但它們?yōu)槲磥淼难芯刻峁┝藢氋F的見解，概述了使用機器學習識別SIRS 患者的菌血癥的困難。

“我們現(xiàn)在專注于其他臨床應用，其中機器學習可能更有希望推進預測或診斷，”Dorffner說。“例如，我們與心臟病專家一起開發(fā)了一種基于MR圖像的學習系統(tǒng)，用于檢測心臟淀粉樣變性的罕見但重要的疾病。”