可解释的机器学习通过常规血液生物标志物来区分坏死性筋膜炎和骨髓炎

《npj Digital Medicine》：Explainable machine learning differentiates necrotizing fasciitis and osteomyelitis via routine blood biomarkers

　　

摘要

坏死性筋膜炎（NF）和骨髓炎（OM）是严重的、威胁肢体的感染疾病，两者具有许多共同特征，因此早期鉴别较为困难。为了解决这一问题，我们开发并验证了一个可解释的机器学习模型，该模型使用了来自3415名患者（其中NF 579例，OM 2836例）的常规血液生物标志物数据，这些数据来自一个回顾性的多中心研究队列。模型开发使用了其中一个中心的数据，而另一个中心的数据则作为独立的外部测试队列。系统评估确定了一个最佳的包含10个生物标志物的LightGBM模型，该模型在外部测试队列中表现出出色的区分能力，AUC值为0.926。除了高准确性之外，可解释性分析还证实，模型的预测结果是由与严重炎症和代谢功能障碍相关的、可靠的生物标志物驱动的，进一步增强了模型的可信度。最终，该模型被开发成一个公开可访问的在线工具，用于实时风险分层。这项工作提供了一个强大、经过外部验证且具有可解释性的AI框架，有助于辅助临床判断，有望减少诊断延迟并改善这些致命性感染的预后。