論文の概要: Routine Blood Tests Outperform CRP for Distinguishing Bacterial From Viral Infection in Children

• arxiv url: http://arxiv.org/abs/2609.21332v1
• Date: Fri, 18 Sep 2026 05:31:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:16.869241
• Title: Routine Blood Tests Outperform CRP for Distinguishing Bacterial From Viral Infection in Children
• Title（参考訳）: 小児のウイルス感染から細菌を除去するためのCRPより優れた尿路血液検査
• Abstract要約: 本研究の目的は、CBCの現在の感染の予測に対する追加的な予測値を評価することである。 本研究は2～14歳の小児患者906名を対象に,ウイルス感染と細菌感染のどちらでも陽性であった。 全ての訓練されたモデルは、AUCの点でCRPベースの唯一の決定ルールモデルより優れている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Acute infectious diseases are among the leading causes of medical consultations and hospitalizations in children worldwide. These infections are predominantly caused by viruses or bacteria, yet differentiating between the two remains a common clinical challenge. As a result, pediatricians often default to the safer option of prescribing antibiotics contributing to the growing problem of antimicrobial resistance. The objective is to assess the additional predictive value of CBC towards determining the current infection. This retrospective study used data from 906 pediatric patients aged between 2 and 14 years who were tested positive either for viral or bacterial infection between 2022 and 2026. Inclusion criteria further required availability of CBC results and CRP level measurements. These laboratory parameters as well as age were used as input features for several supervised classification models. Model performance was evaluated using AUC, sensitivity and specificity. The best performing model is XGBoost, which included all features, achieving out of-sample performance of AUC of 81.7% and sensitivity of 70.8%, specificity of 79.2%. All trained models outperform a CRP-based only decision-rule model in terms of AUC. We suggest that the decision to prescribe antibiotics should be based on a number of factors, including but not limited to CBC, some of which are not currently incorporated into routine practice.
• Abstract（参考訳）: 急性感染症は世界中の小児の医療相談や入院の主な原因の一つである。 これらの感染は主にウイルスやバクテリアによって引き起こされるが、両者の相違は一般的な臨床課題である。 結果として、小児科医は、抗生物質を処方するより安全なオプションをデフォルトとして、抗微生物抵抗性の増大に寄与する。 本研究の目的は、CBCの現在の感染の予測に対する追加的な予測値を評価することである。 本研究は,2022年から2026年までのウイルス感染と細菌感染で陽性であった2～14歳の小児906名を対象に行った。 包含基準はCBC値とCRP値の測定を更に必要としていた。 これらの実験室パラメータと年齢を複数の教師付き分類モデルの入力特徴として用いた。 モデル性能は, AUC, 感度, 特異性を用いて評価した。 最高の性能モデルはXGBoostで、AUCが81.7%、感度が70.8%、特異性が79.2%である。 全ての訓練されたモデルは、AUCの点でCRPベースの唯一の決定ルールモデルより優れている。 抗菌薬を処方する決定は, CBCに限らず, 日常的な実践には組み込まれていない多くの要因に基いて行うべきである。

関連論文リスト

• RareLens: Towards End-to-End Rare Disease Care via Aligning Divergent Large Language Model Reasoning [42.80742579670377]
  RareLensは、まれな疾患の軌跡全体にわたる臨床的意思決定を支援するシステムである。 RareBenchは、33のOrphanetカテゴリと7000以上の条件にまたがる157,525件の実際のデータセットである。 検診で0.917、診断と治療で65.5%、89.8%の成績を収めた。
  論文  参考訳（メタデータ） (2026-07-25T16:58:10Z)
• A Pathology Foundation Model for Gastric Cancer with Real-World Validation [47.19073124722865]
  本稿では,実世界評価と臨床dEcision支援のための,胃科固有の基礎モデルであるGRACEについて述べる。 GRACEは, 症例37,493例のHE-stained whole-slide画像を中心に, 48,364例の多施設で開発された。 高齢の病理医に非劣性パフォーマンスを維持するように調整された場合、AI支援のワークフローは萎縮の60.7%、腸転移の82.7%をトリアージする可能性がある。
  論文  参考訳（メタデータ） (2026-06-03T12:18:06Z)
• A Breast Vision Pathology Foundation Model for Real-world Clinical Utility [65.57568187389113]
  a bfBRAVE, a breast-adaptive pathology foundation model developed and evaluation using a total resources of 101,638 breast wholeslide images。 臨床ワークフローにおけるBRAVEの実践的役割は、通常のAI支援による第2レビューから低リスクのケースを安全に排除すること、そしてさらなる評価のためのケースの優先順位付けなどである。
  論文  参考訳（メタデータ） (2026-05-06T07:44:39Z)
• Explainable Admission-Level Predictive Modeling for Prolonged Hospital Stay in Elderly Populations: Challenges in Low- and Middle-Income Countries [65.4286079244589]
  長期滞在期間 (pLoS) は, 院内感染のリスクに関連する重要な要因である。 入院レベルの患者と病院の診療データを用いて, pLosの予測モデルを開発し, 解説する。
  論文  参考訳（メタデータ） (2026-01-07T23:35:24Z)
• Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
  近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。 そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
  論文  参考訳（メタデータ） (2024-04-26T16:39:50Z)
• Differentiating Viral and Bacterial Infections: A Machine Learning Model Based on Routine Blood Test Values [0.0]
  Virus vs.bacteriuma"モデルは、機械学習を活用して感染管理を最適化し、高度な診断ツールの道を開く。 このモデルは精度82.2 %、感度79.7 %、特異度84.5 %、ブライアスコア0.129、ROC曲線0.905の領域を達成し、CRPベースの決定規則を上回った。
  論文  参考訳（メタデータ） (2023-05-13T09:18:51Z)
• Joint Application of the Target Trial Causal Framework and Machine Learning Modeling to Optimize Antibiotic Therapy: Use Case on Acute Bacterial Skin and Skin Structure Infections due to Methicillin-resistant Staphylococcus aureus [5.611469725376418]
  メチシリン耐性黄色ブドウ球菌(MRSA)による急性細菌性皮膚・皮膚構造感染症(ABSSSI)の死亡予測とITE推定の機械学習モデルを開発した。 まず、確率スコアマッチングを用いて臨床試験をエミュレートし、ランダム化された治療データセット(バンコマイシンと他の抗生物質)を作成します。 次に、このデータを用いて様々な機械学習手法(強化/LASSOロジスティック回帰、サポートベクターマシン、ランダムフォレストなど)を訓練し、ブートストラップ検証により受信特性(AUC)の下の領域で最適なモデルを選択する。
  論文  参考訳（メタデータ） (2022-07-15T13:08:15Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。