机器学习预测急诊科细菌尿，提升诊断效率

快速阅读: 研究团队使用机器学习模型预测急诊科患者菌尿，基于62,963名患者数据，XGBoost预测准确率最高，分别为86.1%、89.1%和93.1%，有助于指导抗生素治疗决策。

一项研究显示，尿路感染（UTI）是最常见的细菌感染之一，但常被误诊和不当治疗。研究人员使用机器学习模型，基于急诊科患者就诊时可获取的数据，预测是否存在菌尿。研究回顾了2017年1月1日至2021年12月31日期间，62,963名患者的就诊记录，这些记录包括尿液分析和尿培养结果。研究团队采用了逻辑回归分类器、k近邻算法、随机森林分类器、极端梯度提升（XGBoost）和深度神经网络，评估它们预测三种尿培养结果的能力：（1）无微生物生长与任何微生物生长，包括混合菌群；（2）每毫升≥10,000个菌落形成单位（CFU/mL）的至少一种微生物与所有微生物均＜10,000 CFU/mL；（3）每毫升≥100,000 CFU/mL的至少一种微生物与所有微生物均＜100,000 CFU/mL。结果显示，XGBoost在所有预测指标上的表现最佳，无微生物生长的预测准确率为86.1%，≥10,000 CFU/mL的预测准确率为89.1%，≥100,000 CFU/mL的预测准确率为93.1%。对于医生在未获知尿培养结果前诊断为尿路感染且尿培养结果显示无微生物生长或≥100,000 CFU/mL的病例，XGBoost的预测准确率高达91%。研究认为，仅凭急诊科就诊时可获取的数据，XGBoost能够准确预测菌尿。这些发现表明，机器学习算法在临床环境中具有潜在价值，能够帮助预测培养结果并指导是否开始经验性抗生素治疗的决策。

(以上内容均由Ai生成)