目的采用诺莫图模型、随机森林模型、决策树模型分别构建血流感染(bloodstream infection,BSI)的鉴别诊断模型。方法回顾性分析2022年1月至2024年1月于浦江县人民医院诊断治疗的BSI患者225例,按照7∶3的比例将患者分为训练集和验证集,...目的采用诺莫图模型、随机森林模型、决策树模型分别构建血流感染(bloodstream infection,BSI)的鉴别诊断模型。方法回顾性分析2022年1月至2024年1月于浦江县人民医院诊断治疗的BSI患者225例,按照7∶3的比例将患者分为训练集和验证集,运用诺莫图模型、随机森林模型、决策树模型建立革兰阴性菌BSI(Gram negative BSI,GN-BSI)、革兰阳性菌BSI(Gram positive BSI,GP-BSI)的鉴别诊断模型,并分析不同模型的鉴别效能。结果二元Logistic回归分析显示,中性粒细胞与淋巴细胞比值(neutrophil to lymphocyte ratio,NLR)、C反应蛋白(C-reactive protein,CRP)、白细胞介素-6(interleukin-6,IL-6)、红细胞体积分布宽度与血小板比值(red cell volume distribution width to platelet ratio,RPR)、降钙素原(procalcitonin,PCT)均为GN-BSI和GP-BSI的鉴别诊断变量(P<0.05)。在训练集中,诺莫图模型、随机森林模型、决策树模型鉴别GN-BSI和GP-BSI的曲线下面积(area under the curve,AUC)分别为0.900、0.911、0.884,其中随机森林模型的预测AUC显著高于决策树模型(Z=3.521,P=0.038)。在验证集中,诺莫图模型、随机森林模型、决策树模型鉴别GN-BSI和GP-BSI的AUC分别为0.908、0.916、0.893,其中随机森林模型的预测AUC显著高于决策树模型(Z=3.412,P=0.042)。结论3种模型对GN-BSI和GP-BSI均有较好的鉴别价值,其中随机森林模型和诺莫图模型的鉴别性能较高。展开更多
文摘目的采用诺莫图模型、随机森林模型、决策树模型分别构建血流感染(bloodstream infection,BSI)的鉴别诊断模型。方法回顾性分析2022年1月至2024年1月于浦江县人民医院诊断治疗的BSI患者225例,按照7∶3的比例将患者分为训练集和验证集,运用诺莫图模型、随机森林模型、决策树模型建立革兰阴性菌BSI(Gram negative BSI,GN-BSI)、革兰阳性菌BSI(Gram positive BSI,GP-BSI)的鉴别诊断模型,并分析不同模型的鉴别效能。结果二元Logistic回归分析显示,中性粒细胞与淋巴细胞比值(neutrophil to lymphocyte ratio,NLR)、C反应蛋白(C-reactive protein,CRP)、白细胞介素-6(interleukin-6,IL-6)、红细胞体积分布宽度与血小板比值(red cell volume distribution width to platelet ratio,RPR)、降钙素原(procalcitonin,PCT)均为GN-BSI和GP-BSI的鉴别诊断变量(P<0.05)。在训练集中,诺莫图模型、随机森林模型、决策树模型鉴别GN-BSI和GP-BSI的曲线下面积(area under the curve,AUC)分别为0.900、0.911、0.884,其中随机森林模型的预测AUC显著高于决策树模型(Z=3.521,P=0.038)。在验证集中,诺莫图模型、随机森林模型、决策树模型鉴别GN-BSI和GP-BSI的AUC分别为0.908、0.916、0.893,其中随机森林模型的预测AUC显著高于决策树模型(Z=3.412,P=0.042)。结论3种模型对GN-BSI和GP-BSI均有较好的鉴别价值,其中随机森林模型和诺莫图模型的鉴别性能较高。
