基于4项常规感染相关生物标志物构建人工神经网络模型早期预测血流感染

为探寻诊断血流感染的有效预测模型，研究基于常规感染相关生物标志物构建人工神经网络模型用于早期预测人体血流感染情况。通过回顾性分析，研究总共纳入403例血流感染患者和462例非血流感染患者。收集研究对象的实验室检查资料，包括降钙素原(procalcitonin, PCT)、CRP水平、中性粒细胞计数和D-二聚体水平，并借助这4项生物标志物构建基于Keras的人工神经网络模型。结果显示，该人工神经网络模型预测血流感染的准确率高达92.2%,且AUC为0.97;PCT诊断血流感染的效能最佳，AUC为0.953,且能进一步区分革兰氏阴性菌菌血症和革兰氏阳性菌菌血症；D-二聚体的诊断效能次之，AUC为0.913。由此，使用该4项生物标志物构建的人工神经网络模型能够有效预测血流感染，另外D-二聚体具有双重角色，可同时作为预测和排除血流感染的指标。