利用基于机器学习算法为刚果严重疟疾儿童构建儿科院内死亡风险的临床预测模型

背景：

在资源有限的国家，严重疟疾与儿科住院死亡率高风险相关，这一现状依然令人担忧。 改进的风险分层方法有助于转诊决策和资源分配。 研究者的目标是：i) 创建一个针对出现严重疟疾儿童的住院死亡率风险预测模型，并将其预测性能与现有模型进行比较；ii) 验证后者；iii) 评估疟原虫引起的临床和生物学参数变化。

方法：

这是一项回顾性研究，数据前瞻性收集于2017年1月30日至2025年8月1日期间，来自刚果民主共和国金沙萨的Monkole医院中心（MHC）和Kimbondo儿科中心（KPC）儿科重症监护室收治的严重疟疾儿童。 基线临床和实验室变量从入组儿童中收集。 主要结局是入院后1周内的死亡，次要结局是严重疟疾入院后在儿科重症监护室的住院时间。 将采用机器学习算法来实现三个具体的研究目标。

预期结果：

根据研究目标，预期将获得以下结果：

1. 确定出现严重疟疾儿童中多器官功能障碍综合征（MODS）和代谢性酸中毒的患病率。

2. 将开发一种预测严重疟疾相关死亡率风险的新模型：

   1. 该新模型将基于疾病严重程度的预测因子，并测量：

      • MODS和代谢性酸中毒的严重程度。
      • 严重疟疾在儿科重症监护室的住院时间
      • 严重疟疾住院后的死亡风险
      • 寄生虫血症对疾病严重程度的影响
   2. 将测量所提出的新模型的性能
   3. 将关联预测列线图和评分系统。
3. 研究者将验证并比较现有预测严重疟疾严重程度的模型性能与所提出的新模型。

总之，研究数据将为支持对出现严重疟疾儿童的早期干预和治疗选择提供原理证明。