用于预测尿路感染的多因素机器学习模型：一项初步研究

《International Urology and Nephrology》：Multifactor machine learning models for predicting urinary tract infections: a pilot study

维生素D缺乏与尿路感染（UTI）相关，本研究通过尿液25(OH)D水平、尿pH、性别和年龄构建12种机器学习模型预测UTI，堆叠模型表现最佳（准确率88%，AUC-ROC 0.93），验证了低维生素D与UTI的关联，为临床诊断提供辅助工具。

　　

摘要

目的

维生素D是一种脂溶性前激素，对钙磷平衡和骨骼健康至关重要。它还通过B细胞、T细胞以及能够合成其活性形式的抗原呈递细胞上的受体来调节先天性和适应性免疫。维生素D缺乏与免疫反应失调以及自身免疫疾病和感染的风险增加有关，尤其是在儿童和成人中，尿路感染（UTIs）的风险尤为显著。本文探讨了12种机器学习模型，这些模型利用尿液中的25-羟基维生素D（25(OH)D）水平、尿液pH值、性别和年龄来预测尿路感染。

方法

分析了358名受试者的数据。收集了每位参与者的 demographic（人口统计学）、biochemical（生化）和microbiological（微生物学）信息。数据集被随机分为训练集（70%）和独立测试集（30%）。分析中包括了四个预测因子：年龄、性别、尿液pH值和维生素D水平。根据准确性、特异性、敏感性、阳性预测值（PPV）、阴性预测值（NPV）、ROC曲线下面积（AUC-ROC）和F1分数对12种机器学习模型进行了评估。

结果

阳性尿培养结果（1.33 ± 4.13 ng/mL）与阴性尿培养结果（2.48 ± 4.52 ng/mL）之间的尿液25(OH)D水平存在显著差异（p < 0.001）。使用尿液25(OH)D、尿液pH值、年龄和性别作为预测因子，12种机器学习模型的准确率在64%至87%之间，敏感性在59%至79%之间，特异性在51%至95%之间，阳性预测值在61%至94%之间，阴性预测值在63%至82%之间，ROC曲线下面积（AUC-ROC）在0.63至0.93之间，F1分数在0.63至0.86之间。其中，一种堆叠式机器学习模型的准确率达到88%，敏感性为83%，特异性为94%，阳性预测值为93%，阴性预测值为84%，ROC曲线下面积为0.93，F1分数为0.88。

结论

阳性尿培养结果与阴性尿培养结果之间的尿液25(OH)D水平存在显著差异，这证实了低维生素D水平与尿路感染发生之间的关联。所开发的机器学习模型表现出较高的准确性，为临床医生的尿路感染诊断提供了有希望的辅助工具。通过进一步的验证和检测方法改进，这些模型最终可能会补充传统的培养方法在临床筛查中的应用。需要使用独立数据集进行外部验证，并开展前瞻性研究以评估它们对抗生素处方实践的影响。尽管这些模型可以估计尿路感染的风险，但它们无法识别致病菌或确定抗生素的敏感性。