Differentiating Viral and Bacterial Infections: A Machine Learning Model Based on Routine Blood Test Values

要約

抗生物質耐性の脅威が増大しているため、抗生物質を適切に投与するには細菌感染とウイルス感染を正確に区別する必要があります。
この研究では、16 件の日常的な血液検査結果、C 反応性タンパク質濃度 (CRP)、生物学的性別、年齢を使用して、これらの感染タイプを区別するウイルス対細菌の機械学習モデルが開発されました。
単一の医療センターからの 44,120 例のデータセットを使用したこのモデルは、精度 82.2 %、感度 79.7 %、特異度 84.5 %、Brier スコア 0.129、ROC 曲線下面積 (AUC) を達成しました。
0.905、CRP ベースの決定ルールを上回っています。
特に、機械学習モデルは、CRP 単独ではあまり情報が得られない範囲である 10 ～ 40 mg/L の CRP 範囲内の精度を向上させました。
これらの結果は、診断において複数の血液パラメータを統合することの利点を強調しています。
「ウイルス対細菌」モデルは、機械学習を活用して感染管理を最適化する高度な診断ツールへの道を開きます。

要約(オリジナル)

The growing threat of antibiotic resistance necessitates accurate differentiation between bacterial and viral infections for proper antibiotic administration. In this study, a Virus vs. Bacteria machine learning model was developed to distinguish between these infection types using 16 routine blood test results, C-reactive protein concentration (CRP), biological sex, and age. With a dataset of 44,120 cases from a single medical center, the model achieved an accuracy of 82.2 %, a sensitivity of 79.7 %, a specificity of 84.5 %, a Brier score of 0.129, and an area under the ROC curve (AUC) of 0.905, outperforming a CRP-based decision rule. Notably, the machine learning model enhanced accuracy within the CRP range of 10-40 mg/L, a range where CRP alone is less informative. These results highlight the advantage of integrating multiple blood parameters in diagnostics. The ‘Virus vs. Bacteria’ model paves the way for advanced diagnostic tools, leveraging machine learning to optimize infection management.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google