基于常规血象参数的机器学习模型在儿童百日咳鉴别诊断中的应用

《BMC Medical Informatics and Decision Making》：Construction and validation of an intelligent pertussis identification model based on routine blood parameters and machine learning algorithms

　　

摘要

背景

百日咳是一种传染性极强的呼吸道疾病，其早期症状常与常见呼吸道感染相似，给及时诊断带来挑战。本研究旨在基于常规血象参数开发机器学习模型，并评估其在百日咳阳性患儿与有症状的百日咳阴性患儿之间的鉴别能力，并额外探索性地与健康对照组进行比较。

方法

回顾性收集了重庆医科大学附属大足医院共1132例儿科病例，包括百日咳核酸检测阳性的患儿、有症状但百日咳阴性的病例以及健康对照组。所有病例均有完整的常规血象检查结果，涵盖24项常规血象参数。共评估了9种机器学习（ML）算法，用于两个独立的二分类任务：百日咳阳性患儿与有症状的百日咳阴性患儿的比较，以及百日咳阳性患儿与健康对照组的比较。采用7项评估指标进行性能评估，包括准确率、敏感度、特异度、F1分数和受试者工作特征曲线下面积（AUC）。另使用独立的时间队列进行校准评估。选定的模型被整合到一个原型网页中。

结果

在建模子集中的保留测试集上，XGBoost在区分百日咳阳性病例与有症状的百日咳阴性病例时，准确率为0.873（95% CI：0.836–0.909），F1分数为0.867（95% CI：0.828–0.913）。在探索性的阳性与健康对照比较中，CatBoost模型的准确率为0.938（95% CI：0.918–0.964），F1分数为0.932（95% CI：0.908–0.962），AUC值为0.988（95% CI：0.975-1.000）。SHAP分析显示，Baso%、Mono#和CRP是CatBoost阳性-健康模型中影响力最大的主要特征，而Eos#、Mono%和PCT（血小板比容）是XGBoost阳性-阴性模型中的主要特征。

结论

基于常规血象参数的机器学习模型展现了对百日咳阳性患儿与有症状的百日咳阴性患儿进行鉴别的能力。额外的阳性-健康对照比较为百日咳病例与健康对照组之间的鉴别提供了探索性证据。这些发现凸显了常规血象参数在机器学习辅助百日咳识别方面的潜在价值。