一种用于自动疾病状态诊断的方法和装置与流程

本发明涉及用于帮助医务人员诊断和管理患有呼吸功能障碍如肺炎的患者的方法和装置。相关申请本申请要求2016年9月26日提交的澳大利亚临时专利申请号2016903894和2016903896的优先权，其公开内容整体并入本文。
背景技术：
：对现有技术的方法，装置或文件的任何引用不应被视为构成任何其已形成公知常识，或构成公知常识的一部分的证据或承认。肺炎是全世界五岁以下儿童死亡的主要原因之一。据估计，2013年全球有905,059名五岁以下儿童死于肺炎[参考文献1]。它占当年全世界630万儿童死亡总数的14％[1,2]。联合国(un)意识到这个问题，并通过千年发展目标(mdg)4计划与全球各国合作，在1990年至2015年期间将五岁以下儿童死亡率降低三分之二[3-5]。目前用于诊断肺炎的诊断工具包括听诊器和听诊、胸部x光检查，胸部ct成像、血液分析、脉搏血氧仪、微生物学实验室。诊断肺炎没有黄金标准。即使在医院，儿童肺炎，特别是早期疾病的明确诊断也非常困难。肺抽吸活检(lungaspirationbiopsy)可能是最有效的方法，但对于临床使用来说显然是不切实际的。用听诊器进行临床检查和胸部听诊是诊断儿童肺炎的第一步。听诊需要熟练的医生，即使这样也无法提供敏感或特异性足够的诊断。胸部x射线通常被用作确认临床诊断的重要参考标准。然而，x射线可能对早期肺炎或者当肺部病变部位在图像上不清晰可见时不敏感。此外，在存在肺瘢痕或充血性心脏病的情况下，正常的x射线可能导致诊断的特异性差。在某些情况下，可能需要x射线ct成像(计算机断层扫描)和其他实验室分析，如痰液检测，血液培养和c反应蛋白(crp)检测来区分诊断肺炎。上述测试均不能用作黄金标准。在发达国家的医院中，所使用的“参考标准”是根据需要辅助听诊、放射、实验室和微生物学的临床诊断。通常，怀疑肺炎就足以开具抗生素药方。即使在医院，也很难将病毒性喘息与病毒性肺炎分开(病毒性肺炎是最常见的肺炎形式)。在世界范围内，肺炎和其他呼吸系统疾病的鉴别诊断是一个复杂的问题。其他需要解决的疾病是：细支气管炎、哮喘、病毒性喘息、肺炎、气管支气管炎(tbm)和喉头炎-所有这些都在儿童中发生。疟疾和充血性心脏病也可以在症状上相似。一般来说，即使在医院环境中进行诊断也很困难。在家庭/社区环境中进行长期监测几乎是不可能的。在肺炎猖獗的世界资源贫乏地区，也很难找到具有专业听诊和临床技能的训练有素的医护人员。这些地区的肺炎管理在很大程度上取决于访问偏远社区的社区工作者。为了解决这些问题，世界卫生组织(who)开发了一种简单的临床程序，用于对资源有限的地区的肺炎进行分类。这些分类直接导致干预措施，如抗生素处方和住院治疗。世界卫生组织的程序使用咳嗽症状(和/或呼吸困难)作为肺炎的筛查特征；然后用呼吸速率确定是否存在肺炎。如果还存在如胸部衰退等症状，该疾病将进一步归类为重症肺炎。尽管基于呼吸速率的who程序表现不佳，但在发生90％以上儿童肺炎的偏远地区，它是用于确定治疗/转诊决定的主要肺炎分类方法。过去，一些研究探索了who程序及其变体在肺炎诊断中的表现。他们报告了相当高的敏感性(69-94％)，但具有不可接受的低特异性(67-16％)。研究人员试图使用不同的方法提高who标准的特异性。这些方法包括通过考虑发烧和肺炎的其他症状(鼻翼扩张、睡眠不佳、胸凹陷、咳嗽持续超过两天等)来增加who程序。这些努力导致灵敏度和特异性在20-90％的范围内，但是仅以降低灵敏度为代价实现更高的特异性，反之亦然。他们还受到以下事实的影响：测量的复杂性越高，培训社区工作人员在实地考察中可靠地实施该程序的难度就越大。who程序使用呼吸速率作为关键指标。然而，在儿童中获得呼吸速率是非常困难的。比尔和梅琳达盖茨基金会，联合国儿童基金会和世界卫生组织等机构已经投入了大量资源来开发呼吸速率计数器。有关实例，请参阅https://www.path.org/publications/files/ts_update_rr_counters.pdf。在肺炎的手动诊断中，不同的临床体征和测量值被二分，以便于临床医生评估。例如，高于年龄索引阈值的呼吸速率用于表明肺炎的存在。临床医生也可能会注意到是否存在咳嗽、发烧、胸凹陷等。仅使用咳嗽声音的问题是用于可靠分析所需的咳嗽次数(5-10次咳嗽事件)。已知婴幼儿患者在需要以便将其用于分析时可能不容易咳嗽。此外，随着患者病情恶化，还知道咳嗽症状可能因身体虚弱而消失。因此可以认识到，在全球防治肺炎方面仍然缺少的一个关键发展是没有快速、低成本的诊断方法/系统[1，8-14]。即使使用最先进的设备，也难以准确、精确地诊断每个案例，在资源设置较差的情况下更是如此。本发明的一个目的是提供一种辅助诊断诸如肺炎的疾病状态的方法和装置，该方法和装置对于临床医生来说是直接使用的并且解决了现有技术的一个或多个上述问题。技术实现要素：根据本发明的第一方面，提供了一种用于自动为患者的护理者提供患者的疾病状态诊断的方法，包括以下步骤：提供包括多个诊断模型的诊断应用软件产品，该诊断模型源自对包含疾病状态阳性和非疾病状态受试者的群体的研究；操作包括存储软件产品的存储器的电子设备的输入/输出界面，以提示护理者识别患者的多个疾病诊断参数和值；操作电子设备的处理器，以基于所识别的疾病诊断参数从存储器中选择一个诊断模型；操作处理器以将疾病诊断参数的值应用于所选择的诊断模型；和基于将参数应用于护理者所选择的诊断模型的结果，在输入/输出界面上向护理者呈现诊断，以用于护理者向患者提供治疗。优选地，所述诊断参数包括：呼吸速率、发烧的存在、流鼻涕的存在、流鼻涕的天数、咳嗽的天数、胸凹陷的存在、温度、bmi(身体质量指数)和氧饱和度水平；在本发明的一个实施方式中，该方法包括参考一个或多个查找表选择一个诊断模型，该查找表将模型的诊断表现与可用的诊断参数相关联。该方法可以包括提示用户选择针对“灵敏度”，“特异性”或“准确度”优化的诊断模型，其中该方法包括操作电子设备，在考虑优化选择的前提下来选择诊断模型中的一个。在一个实施方式中，该方法包括操作该设备以确定诊断参数的值是否指示患者危险体征。该方法可以包括根据世界健康指南检查患者的诊断值是否表明患者呈现一般危险体征。该方法可以包括将诊断结果保存到远程服务器，由此可以保存诊断结果并与多个诊断设备进行比较。在本发明的一些实施方式中，该方法包括提示记录患者至少一个咳嗽声。该方法可以包括要求记录患者不超过两个咳嗽声。优选地，该方法包括将患者至少一个咳嗽声应用于诊断应用的咳嗽特征提取引擎以产生咳嗽特征。患者咳嗽特征可以应用于诊断模型以辅助诊断。在本发明的优选实施方式中，诊断参数包括呼吸速率、温度、心率和咳嗽声分析。根据本发明的另一方面，提供了一种诊断设备，其被设置为提示临床医生输入患者的诊断信息，并且还被设置为自动向临床医生提供诊断，该诊断设备包括：存储指令的电子存储器，包括诊断应用软件产品，该诊断应用软件产品产品包括从肺炎阳性和非肺炎受试者的研究得到的多个诊断模型；与电子存储器通信的电子处理器，用于执行指令；响应于电子处理器的用户界面，用于处理器提示和接收诊断信息；其中，处理器由使用中的诊断应用配置，通过将诊断信息应用于至少一个所述诊断模型，用户界面呈现患者的诊断。优选地，诊断设备包括麦克风和将麦克风连接到电子处理器的音频接口。诊断应用可以包括咳嗽特征提取引擎，并且由此在使用中处理器将咳嗽声应用于咳嗽特征提取引擎以产生其咳嗽特征。在本发明的一个实施方式中，诊断设备由使用中的诊断应用配置，以将咳嗽特征应用于至少一个所述诊断模型。根据本发明的另一方面，提供了一种自动诊断患者肺炎的方法，包括：使用输入/输出界面设备从患者的护理者获得患者的两个或两个以上诊断参数的值；所述诊断参数包括：呼吸速率、发烧的存在、流鼻涕的存在、流鼻涕的天数、咳嗽的天数、胸凹陷的存在、体温、bmi(身体质量指数)和氧饱和度水平；使用可操作地连接到输入/输出界面的处理器设备将两个或两个以上诊断参数应用于存储多个预编译的肺炎诊断模型的电子存储器，从而识别所述多个的最佳诊断模型；将两个或两个以上诊断体征的值应用于所识别的最佳诊断模型，以从诊断模型生成诊断输出；和根据诊断输出操作输入/输出界面设备，以向护理者指示患者中存在或不存在肺炎，用于护理者为患者提供护理；其中肺炎诊断模型来源于对肺炎阳性患者和非肺炎阳性受试者群体的研究。根据本发明的另一方面，提供了一种用于操作基于电子处理器的电子设备以诊断患者的疾病状态的方法，包括以下步骤：在电子设备上安装诊断应用软件产品，诊断应用包括多种诊断模型；提示为患者识别多个疾病诊断参数和值；操作电子设备以基于所识别的疾病诊断参数选择诊断模型之一；操作电子设备以将疾病诊断参数的值应用于所选择的诊断模型；和基于将参数应用于所选的诊断模型的结果向临床医生呈现诊断。附图说明本发明的优选特征、实施方式和变体可从以下详细描述中看出，其为本领域技术人员提供了实施本发明的充分信息。详细描述不应被视为以任何方式限制本发明的前述
发明内容的范围。详细描述将参考如下的多个附图：图1是根据本发明实施方式示出的使用中的诊断设备的框图。图2是根据本发明实施方式的由图1的诊断设备执行的方法的流程图。图3至5描绘了由诊断设备产生的用于检测患者的who一般危险体征的屏幕。图6描绘了由诊断设备生成的屏幕，用于临床医生输入患者的诊断信息。图7描绘了由诊断设备生成的屏幕，以确认输入的诊断信息给临床医生。图8是示出图2的流程图的框43处的诊断设备的诊断模型选择过程的流程图。图9是示出在选择最佳诊断模型期间诊断设备的过程的流程图。图10描绘了诊断设备在分析诊断信息时生成的屏幕。图11描绘了由诊断设备生成的屏幕，其向临床医生呈现分析结果。图11a是根据本发明另一实施方式的诊断设备的方框图，该诊断设备被设置为考虑患者的咳嗽声。图11a至11d是由图11a的诊断设备产生的屏幕，用于提示患者的咳嗽声并用于分析和呈现患者的诊断结果。图12是详细说明用于分析咳嗽声数据以设计用于本发明实施方式的诊断模型的过程的流程图。图13是示出用于训练用于本发明的实施方式的诊断模型的方法的流程图。图14包括表示来自2-11个月龄组计算的训练模型的平均sn(灵敏度)和sp(特异性)值的图。从顶部到底部的帧(frame)被排列用于创建模型的特征数：一次采集的一个特征(顶部)、两个特征(中间)和三个特征(底部)。n是一次使用一个、两个、三个特征的可能特征组合的数量。随着使用更多特征，可以看到特异性的显著改善。图15包括2-11个月龄组的roc曲线分析。每帧中的实线表示在k次迭代中形成的平均roc曲线。每帧上的十字表示所示点处的sn和1-sp的sd。在每一帧上，图示说明了资源有限区域的who/imci程序的表现(见方框)。方框的中心表示平均表现，方框的高度和宽度代表sd。图16包括12-60个月的年龄组的roc曲线分析。每帧中的实线表示在k次迭代中形成的平均roc曲线。每帧上的十字表示所示点处的sn和1-sp的sd。在每一帧上，图示说明了资源有限区域的who/imci程序的表现(见方框)。方框的中心表示平均表现，方框的高度和宽度代表sd。图17是示出2-11个月和12-60个月的年龄组的两个最佳lrm模型的训练和测试表现的图。2-11个月组的最佳lrm模型是使用流鼻涕/流鼻涕天数/呼吸速率/温度和流鼻涕/流鼻涕天数/呼吸速率/心率特征的模型。至于12-60个月的组，最好的模型是基于发烧/咳嗽天数/心率/胸凹陷和流鼻涕/流鼻涕天数/呼吸速率/温度特征组合的天数。具体实施方式首先参考图1，示出了根据本发明实施方式的诊断设备1。诊断设备1包括硬件和软件的独特组合，其专门设计用于帮助临床医生诊断并因此能够治疗如肺炎的疾病状态。在图1所示的本发明的实施方式中，设备1包括一个或多个微处理器3形式的处理器和一个微处理器3可访问的电子存储器5，它存储可由微处理器3执行的命令以使诊断设备1处理患者2的诊断体征并向临床医生4形式的护理人员提供诊断。诊断应用6包括存储在存储器5中的多个诊断模型20和模型查找表22。微处理器3使用模型查找表22，根据患者2的可用诊断参数确定最合适的诊断模型。如本说明书附录b中所述，参考表9，发明人列出他们对131,000多种与肺炎相关的特征的组合的定量研究，以得到使用的诊断模型。电子存储器5包括操作系统8，例如android操作系统或appleios操作系统，用于由微处理器3执行。电子存储器5还包括根据本发明的优选实施方式的诊断应用软件产品6。微处理器3通过数据总线7与多个外围组件9至23进行数据通信，如图1所示。数据总线由金属轨道组成，金属轨道在设备1的各种组件之间传送电数据信号13。诊断设备1能够通过wan/wlan组件23和射频天线29与语音和/或数据通信网络31建立语音和数据通信。尽管图1中所示的诊断设备1是基于微处理器的，但是将意识到它也可以使用其他类型的技术来实现。例如，它可以使用现场可编程门阵列(fpga)或离散逻辑电路来实现。诊断设备1不需要外部生理传感器，与患者2物理接触或访问通信网络31以进行操作。如将要解释的，该方法是自动的并且易于使用。在一些实施方式中，设备1收集患者元数据、诊断和治疗/转诊信息(例如，是否分配抗生素)以及诊断地点的gps坐标。设备记录信息或将其通过wan数据网络31如互联网传输，当/如果网络31可用时，到云服务器33。在一个实施方式中，该设备使得跟踪流行病成为可能。它还可以通过访问使用类似设备在其他位置的疾病诊断的云服务器33中存储的地理信息来考虑在诊断患者时的流行病的进展。现在参考图2，示出了根据本发明优选实施方式的方法的流程图，该诊断设备在编码到诊断应用6中的指令的控制下实现。在图2的方框35处，微处理器3操作lcd触摸屏界面11形式的输入/输出界面，以向用户如临床医生显示提示，输入患者2的诊断参数。图3示出诊断设备1在lcd触摸屏界面11上为临床医生4显示数据输入屏幕57，以便输入患者参数。诊断程序6包括基于发明人的发现的指令，即至少有17个患者参数可用于诊断如肺炎的疾病状态，如下表1a所示：表1a-肺炎的17个诊断参数发明人已经发现，获得最直接的患者参数和有效确定呼吸疾病状态如肺炎的存在是下面表1b中列出的9个诊断参数。编号诊断体征a呼吸速率b发烧c存在流鼻涕d流鼻涕的天数e咳嗽的天数f胸凹陷g温度hbmii氧饱和度-未使用表1b-9个重要患者诊断体征参数的子集诊断设备1的优选实施方式被配置为在世界卫生组织(who)框架中操作，通过以下方式可知屏幕57供临床医生4选择who筛查标准，即“咳嗽”和“呼吸困难”，并且还进入屏幕57中列出的who一般危险体征。在图2的流程图的框37处，如果临床医生4已在屏幕57上指示患者2正在显示who一般危险体征，则微处理器控制转向在方框51处，微处理器3操作屏幕59(图4)以警告临床医生4患者2根据who一般危险体征标准指示严重肺炎或疾病。或者，如果在框37处患者的参数未指示who一般危险体征，则控制转向框39。在框39处，微处理器检查患者参数是否指示已满足who进一步筛查的标准。如果它们未被满足则控制转向框53，此时微处理器5使图5中所示的屏幕61显示，从而向临床医生4指示患者2既不显示who一般危险体征也不显示who筛选条件。或者，如果在框39处，执行诊断应用6的进一步指令的微处理器5确定患者的参数指示满足who筛选标准参数，则控制转向框41。在框41处，微处理器5使屏幕63(图6)显示在lcd触摸屏11上以提示来自临床医生4的患者诊断参数。屏幕63呈现用于表1b中先前已参考的9个患者参数的选择按钮65a，...，65i。在当前描述的实施方式中，临床医生4需要借助于选择按钮65a，...，65i来选择表1b中的至少三个诊断参数。控制然后转向框43(图2)，其中微处理器3在界面11上显示屏幕67(图7)。在当前描述的本发明的优选实施方式中，屏幕67包括供给临床医生4的选择按钮69，71和73以指示对诊断模型的偏好，用于优化诊断的“灵敏度”，“特异性”或“准确度”中的任何一种。这些术语具有以下含义：灵敏度：(也称为真阳性率，查全率或某些领域的检测概率)测量正确识别的阳性比例(例如，正确识别为具有该病症的病人的百分比)。特异性：(也称为真阴性率)测量正确识别的阴性比例(例如，正确识别为没有该病症的健康人的百分比)。准确度：(acc)＝(σ真阳性+σ真阴性)/σ总人数在框43，微处理器3基于已经提交的患者参数，在存储在存储器5中的模型20中选择最佳诊断模型。为了对临床医生已输入的信息选择模型20中的最佳模型，微处理器3(如诊断程序6所配置)查询存储在存储器5中并且发明人已经产生的诊断模型查找表22。(将认识到，在本发明的其他实施方式中，其中使用高功率处理器，可以根据需要生成所需信息，而无需求助于查找表。)诊断查找表22的内容如下：表2a-2至11个月年龄的患者-根据降低的灵敏度排序的诊断模型。表2b-2至11个月年龄的患者-根据降低的特异性排序的诊断模型表2c-2至11个月年龄的患者-根据降低的特异性排序的诊断模型。表3a-12至60个月年龄的患者-根据降低的灵敏度排序的诊断模型表3b-12至60个月年龄的患者-根据降低的特异性排序的诊断模型。表3c-12至60个月年龄的患者-根据降低的准确度排序的诊断模型。在下表2a至c的组合列中构成每种组合的患者诊断体征参数先前已在表1b中定义。表2a(以上)-2至11个月年龄的患者-根据降低的灵敏度排序的诊断模型。表2b(以上)-2至11个月年龄的患者-根据降低的特异性排序的诊断模型表2c(以上)-2至11个月年龄的患者-根据降低的特异性排序的诊断模型。表3a(以上)-12至60个月年龄的患者-根据降低的灵敏度排序的诊断模型。表3b(以上)-12至60个月年龄的患者-根据降低的特异性排序的诊断模型。表3c(以上)-12至60个月年龄的患者-根据降低的准确度排序的诊断模型。在上表中将注意到，组合使用最多四个诊断参数。这是因为发明人的研究令人惊讶地表明，使用四种以上诊断特征的组合会增加计算复杂性，而不会带来任何实质性的诊断表现提升。如果临床医生选择“准确度”优化，那么最佳模型将是表a3的顶行(如果患者是2至11个月年龄)和表b3的顶行(如果患者是12至60个月年龄)。但是，如果临床医生输入的参数不允许使用顶行#1，则微处理器将检查是否可以使用行#2等等。由于列出的参数(在表1b中列出的九个参数中)是常见的测量值，因此通常不必沿着行向下移动以找到第一个可用的模型。例如，表2b：2-11个月：参数：#1acdi(呼吸速率，流鼻涕，#流鼻涕天数，氧饱和度)>>sens91％，spec70％。#13abcd(呼吸频率，发烧，流鼻涕，#流鼻涕天数)>>sens91％，spec61％等。图8的流程图详述了微处理器3在诊断应用6的控制下在图2的流程图的框43内执行的模型选择过程。使用表a1-a3或b1-b3的数据(取决于年龄)，临床医生输入的对优化灵敏度、特异性或准确度的偏好和输入的患者参数，设备1使用图9中所示的过程自动选择特定编号的诊断模型。在框45(图2)，用于所选择的每个诊断参数输入的患者值由微处理器3应用于所选择的最佳诊断模型。在该过程运行的同时，在lcd触摸屏界面11上呈现图10中描绘的屏幕。在框47处，在诊断应用6的控制下操作的微处理器3操作lcd触摸屏界面11以将诊断结果呈现给护理者，如图11的屏幕中所示。返回到图2的流程图，在框49处，微处理器3可以将诊断结果本地保存到存储器5或者通过wan/wlan接口和天线29经由数据网络31从外部保存到云服务器33。在框50，如果诊断结果表明疾病状态如肺炎，然后护理者可以使用该信息，如方框52所示，将治疗应用于患者2，例如通过组织住院治疗和/或提供抗生素或抗病毒药物。然后，临床医生4可以在框55指示诊断另一患者的愿望，在这种情况下，针对另一患者重复该过程。如将在本说明书的附录中解释的，发明人从来自包括患有呼吸道疾病的患者的受试者群体的定量测试数据开发了诊断模型。设置各种模型以基于临床医生输入的患者的诊断参数将患者分类为“患病”或“非患病”。开发模型的优选方法是使用逻辑回归机(lrm)。也可以使用其他类型的分类决策引擎，例如支持向量机(svm)。如本文附录a的第1.2.2节中所解释的，发明人已经发现仅使用患者的一次或两次咳嗽的咳嗽声特征来提供显著的诊断表现提升。在可以通过麦克风25记录来自患者2的咳嗽声的情况下，这些声音可以通过咳嗽特征提取来处理，并且通过合适的诊断模型20中的一个与其他诊断参数一起处理。现在参照图11a，示出了包括诊断设备1a的本发明的另一实施方式，就硬件而言，该诊断设备1a与先前描述的诊断设备1相同，编程有先前讨论的诊断应用6的变型的诊断应用6a。诊断应用6a包括咳嗽特征提取引擎24。咳嗽特征提取引擎24包括用于微处理器3分析来自患者2的咳嗽声的指令，该咳嗽声通过麦克风25和音频接口21接收并产生相应的咳嗽特征。咳嗽特征提取在现有技术中是已知的，并且如在本发明人abeyratne等人的国际专利公开号wo2013/142908中描述的，其公开内容通过引用整体并入本文。微处理器3将咳嗽特征应用于诊断模型20，诊断模型20构成诊断应用6a的一部分并且被配置为考虑由临床医生4输入的其他诊断参数值。这通过将咳嗽特征作为分组特征添加到现有的查找表所示为如表2a-3c来完成。如前所述，包括咳嗽声的修改表格与模型一起以降低的表现排列。用户，如临床医生4如果他们能够从患者2收集声音，可以选择咳嗽声作为测量值。否则他们不会选择该选项，就像其他临床体征的情况一样。然后遵循先前关于表2a-3c所讨论的相同逻辑，通过诊断应用6对诊断设备1进行编程，以选择对应于可用测量的最佳模型。图11b和11c描绘了在诊断应用6的控制下由微处理器3在lcd触摸屏界面11上产生的屏幕54，56，以提示临床医生4从患者2获得至少两个咳嗽声样本。图11d描绘了微处理器3在界面11上产生的屏幕57用于向临床医生4提供分析结果。如附录a中所讨论的，在其他实施方式中，仅发现单个咳嗽声有助于改善机器诊断的表现。附录a使用临床和咳嗽特征的儿童肺炎诊断1.1材料和方法1.1.1研究群体在数据收集期间共招募了222名儿童：93名女性和129名男性，中位年龄为9个月，四分位数间距(iqr)为4.25-20个月。由于缺少一个或多个必需参数，我们排除了进一步考虑123名患者，剩余99名儿童具有完整的数据。如表4.1所示，99名儿童的分布是最初招募的222名儿童的密切代表。有52名2-11个月的儿童和47名12-60个月的儿童。在99名儿童中，67名患有肺炎阳性，而其余32名儿童患有哮喘、支气管炎、细支气管炎、心脏病、营养不良、喘息等。非肺炎患者是本研究的对照组。表4.1初始招募与研究中实际人数之间的儿童代表1.1.2数据分析图12中呈现的流程图1200详述了用于分析我们的数据的过程。对于分析，数据集分为两个年龄组，2-11个月和12-60个月。这遵循who/imci程序，该程序对每个年龄组应用不同的呼吸速率阈值。每组的临床和咳嗽特征被输入特征矩阵进行处理。lrm分类器用于训练每个特征组合的模型。该技术基于特征参数创建非线性模型，并对每个参数应用不同的权重。lrm训练过程调整权重，使得每个模型适于区分肺炎患者和非肺炎患者。我们详尽地分析了一次一至六个特征的特征组合。该过程分为几个阶段：仅临床特征，临床特征加一次咳嗽的咳嗽特征，以及临床特征加两次咳嗽的咳嗽特征。在分析之前，将多次咳嗽的咳嗽特征平均为一个单独的子集。留一法(loo)交叉验证用于验证结果。在每次迭代中，一名患者被指定为loo患者，其余患者成为训练集。基于训练集和截止阈值创建lrm模型，仔细选择使得sn≥90％且sp尽可能高。然后固定模型参数并用于评估训练集和loo个体。在训练集上应用训练模型提供训练表现，使得使用训练模型对loo患者进行分类。在下一次迭代中，另一个人被指定为loo，而其他人成为训练集。在迭代过程结束时，每个患者被指定为loo个体一次，计算程序表现。1.2结果在本节中，我们将分三个阶段展示我们的分析结果。首先，我们将每个年龄组的who/imci程序表现与仅临床特征进行比较。然后与临床特征加一次咳嗽的特征进行比较。最后，我们将who/imci程序结果与使用临床特征加两次咳嗽的咳嗽特征的程序进行比较。1.2.1仅临床特征表4.2中的结果显示了每个年龄组的who/imci分类和我们的使用仅临床特征的程序表现。对于2-11个月龄组，who/imci程序的sn和sp分别为91.2％和26.7％。在年龄较大的年龄组中，相应的sn和sp分别为83.3％和11.8％。仅使用临床特征的2-11个月龄组中的最佳模型显示，使用发烧、咳嗽天数、温度和心率，sn和sp分别为86.5％和60.0％。在12-60个月的年龄组中，最佳模型确定使用的发烧，体温，流鼻涕和心率，sn和sp分别为90.0％和76.6％。1.2.2临床加一次咳嗽当只有一次咳嗽的特征加入混合时，有显著的表现提升。对于2-11个月的年龄组，最佳模型显示sn和sp分别为89.2％和73.3％。该sp值相当于who/imci程序的275％，而sn只有很小的下降。数值见表4.3。对于12-60个月龄组，使用临床特征和一次咳嗽的最佳模型分别以90％和82.4％的sn和sp进行。与who/imci表现相比，sp相当于82.4/11.8＝698％，而sn略高于who/imci。表4.2who与临床特征组合的表现比较*loo＝留一法sn＝灵敏度，sp＝特异性，acc＝准确度ppv＝阳性预测值，npv＝阴性预测值*loo＝留一法sn＝灵敏度，sp＝特异性，acc＝准确度ppv＝阳性预测值，npv＝阴性预测值*loo＝留一法sn＝灵敏度，sp＝特异性，acc＝准确度ppv＝阳性预测值，npv＝阴性预测值1.2.3临床加两次咳嗽表4.4显示了临床特征与两次咳嗽的特征相结合时的lrm表现。2-11个月龄组的最佳模型利用咳嗽天数、呼吸速率和温度以及咳嗽特征。这导致sn和sp分别为89.2％和86.7％。sp相当于who/imci程序的325％。在12-60个月的年龄组中，最好的lrm模型使用呼吸速率，温度和心率以及咳嗽特征。模型表现为90.0％sn和88.2％sp。在这种情况下，sp相当于who/imci对应部分的747％。1.3讨论本研究的目的是研究常用临床参数与咳嗽声分析相结合的用途，以诊断儿童肺炎。该目标的关键要求是比who/imci程序表现更好。我们的研究结果表明，加入咳嗽声分析比仅仅依靠临床参数确实有助于识别儿童肺炎。在本研究中，who/imci程序的sn和sp范围分别为83-91％和12-27％。我们的表现最佳且有两次咳嗽声的模型能够分别以89-90％和87-88％的sn和sp范围对肺炎进行分类。这些是loo验证的结果。咳嗽是呼吸系统疾病患儿最常见的症状之一。who/imci程序考虑到咳嗽的存在，但没有充分利用它。我们的方法从咳嗽声录音中提取重要特征，并利用它们来增强我们临床上基于诊断肺炎的特征。与仅使用咳嗽声或临床特征相比，我们已经证明这可以提供最佳表现。尽管最近技术进步，但咳嗽声分析领域仍然相对未改变。我们相信与目前已知的相比，咳嗽包含更多关于肺的生理学的信息。假设患病的肺可能以特定于疾病的方式改变肺的物理特征和咳嗽的特征性声音。在儿童肺炎的情况下，我们在之前的研究中表明，咳嗽是用于诊断的可行参数[7,62]。那里使用的咳嗽次数为每人15次，远高于本论文所使用的咳嗽次数。我们现在已经证明，结合临床参数，可能需要更少的咳嗽声以产生准确的诊断。1.4结论我们已经证明了在资源贫乏地区将临床和咳嗽特征结合起来用于儿童肺炎诊断的潜在益处。我们开发的模型显示出约90％的灵敏度和特异性，其范围为who/imci程序的325-747％倍。最有效的关键参数是呼吸速率、温度、心率和咳嗽声分析的组合。临床特征很容易测量，在没有关键参数的情况下，我们可以切换到其他模型，它们仍然可以表现很好。应该指出的是，该研究目前基于相对较少数量的受试者(n＝99)，并且尚未建立肺炎诊断的黄金标准。我们使用的参考标准源于儿科医生通过听诊、实验室分析、胸部x光(如适用)和受试者对疾病临床过程的治疗反应的辅助进行临床诊断。-------------附录a结束------------附录b.简单临床测量的详尽数学分析1990年，世界卫生组织(who)和儿童基金会(unicef)提出了who资源贫乏地区儿童肺炎分类标准。这是目前实际中社区卫生工作者在资源有限的环境中使用的诊断方法，作为一线卫生设施中的快速低成本替代方案。表5示出了资源贫乏地区的who/imci肺炎分类指南。表5-资源贫乏地区的who/imci肺炎分类指南[35,36]who/imci指南规定，如果患者出现咳嗽/呼吸困难症状，则对患者进行下一步筛查。考虑呼吸速率并且如果超过极限(年龄2至11个月的每分钟50次呼吸(bpm)，年龄12至60个月的40bmp)，则宣布非重症肺炎。较低的胸凹陷和不能进食或喝水等危险标志会使患者处于严重肺炎类别，需要立即引起注意。研究人员普遍认识到who标准的局限性，这些标准灵敏但不是非常特异性的[9,15,16]。多年来，其他人建议增加发烧[17]，呼噜声和鼻涕[8]，温度和氧饱和度[18]。rambaud-althaus等提出了决策树格式的体征组合，以提高临床诊断的准确度[8]。儿童健康肺炎病原学研究(perch)研究人员根据世卫组织肺炎临床病例定义标准制定了自己的症状和体征标准解释[16]。所有这些方法都对处理全球肺炎负担做出了重要贡献，但主要受到影响资源贫乏地区的世界卫生组织标准的同类限制。这些方法还依赖于卫生工作者使用围绕固定阈值的基本二元决策来执行测量和解释数据。方法研究组织本研究使用的临床数据由印度尼西亚日惹的加札马达大学-sardjito医院与澳大利亚布里斯班昆士兰大学合作收集。数据收集于2010年12月开始，一直持续到2014年3月。sardjito医院和昆士兰大学的伦理委员会批准了研究方案。纳入/排除标准见下表6(补充)：表6-患者招募标准如果患者表现出咳嗽、痰、气喘增加和温度>37.5℃的任何2种症状，则包括在内。如果患者符合标准在纳入前寻求父母同意，如果未获得同意则被排除。排除标准也适用于表现出晚期疾病症状、晚期肺癌和/或需要鼻腔滴注iv的患者，因为这些可能会扭曲结果。作为预防措施，也排除了表现出输液扩散疾病的患者。诊断定义本研究中使用的参考诊断是儿科医生根据临床表现、实验室检查、胸部x光检查和疾病的临床过程提供的总体诊断。仅对临床疑似肺炎的受试者进行x光检查，并且在其他需要明确需要的情况下进行x光检查。因此，并非所有受试者都接受胸部x光检查。研究方案所有符合纳入标准的儿童都被邀请参加该研究。每个孩子的病史和临床测量记录为住院过程的一部分。在该研究中获得诊断结果和在疾病的正常诊断/管理过程中从受试者收集的所有测试结果。表7(补充)列出了本文中用于分析的一些记录信息。表7-入院时记录的临床参数列表测试参数包括发烧、咳嗽、呼吸困难、流鼻涕和胸凹陷的存在，作为二元是/否观察。它还包括以下数据作为数字：年龄、体重、身高、呼吸速率、体温、bmi、氧饱和度和发烧、咳嗽、呼吸困难、流鼻涕的天数。其他诊断措施，如血液/痰液分析和胸部x光检查，只有主治医生认为有必要时才进行。研究群体我们招募了222名儿童：93名女性，129名男性，中位年龄为9个月，四分位数间距(iqr)为4.25-20个月。我们的群体来自住院病房。我们的目的是关注资源贫乏地区肺炎诊断有益的临床参数。该数据集包含134个具有先前指定的完整参数列表。由于缺少一个或多个所需参数，我们排除了88名患者的进一步考虑。如表8所示，所选择的134名儿童的分布密切代表了最初招募的222名儿童。表8-初次招募与研究实际人数之间的儿童代表2-11个月和12-60个月的年龄组中分别有71个和63个儿童。在134名儿童中，96名被诊断患有肺炎，而其余38名儿童则混合了哮喘、支气管炎、细支气管炎、心脏病、营养不良、喘息等。非肺炎组作为本研究的对照组。分析数据图13中呈现的流程图1300详述了用于分析我们的数据的过程。该数据集分为两个年龄组，2-11个月和12-60个月。将每组的临床特征输入特征矩阵进行处理。使用k重交叉验证方法，将每个年龄组随机分成k个重复。然后采用迭代过程，其中保留一组数据作为测试集，而其余数据用于训练逻辑回归模型(lrm)。在医学应用中使用的逻辑回归方法的一般性解释可以参见k.l.sainani[26]的论文。lrm基于指定的预测因子输出肺炎存在的概率，将截止阈值应用到该概率以制定输出二元决策。在接受者操作特征(roc)分析之后仔细选择该阈值以尽可能干净地分离阳性和阴性肺炎病例。在lrm设计中，我们开始一次使用一个特征并计算结果模型的表现。然后，我们详尽地搜索了一次考虑两个特征的所有组合。这个过程一直持续到我们一次考虑所有17个特征。在每次迭代中，根据训练模型的灵敏度(sn)，特异性(sp)，准确度(acc)和曲线下面积(auc)评估训练模型。auc仅可用于训练数据以设置诊断阈值。请注意，在k重交叉验证的每个重复中，数据集被分为非重叠的训练集和测试集，并且针对训练集和测试集分别评估表现。每次迭代产生k个roc曲线和k个训练和测试表现测量的集合。每次迭代还生成k个训练的lrm模型。训练的lrm模型用于计算训练集合的表现。然后固定lrm模型，并将其用于测试数据集以计算测试表现并验证训练模型。每组lrm模型在各自的折叠(fold)中被认为是最终的。因此，为了测试表现，没有可用的auc数据。基于训练和测试表现的平均值和标准偏差(sd)选择表现最佳的模型。计算这些数值并在结果部分报告。同样，计算了测试集的who标准表现数，并使用它们的平均值和sd表示。然后，我们使用表现值来确定哪个参数、哪些组合可以为测试集提供最佳诊断结果。对于使用的每个特征组合迭代该过程。首先，我们分析了一次使用一个、两个和三个特征的lrm表现。接下来，我们详尽地分析了所有可能的特征组合，一次使用多达17个特征。表9示出了创建lrm模型时使用的每个特征数的可能组合。表9-17种可用特征中可能的特征组合总数。一次使用一个特征可以提供17种可能的组合，而一次使用所有17种特征只有一种可能的组合。两者之间可能的组合数量显著增加。例如，一次使用8个特征会产生24,310种组合。总的来说，本研究中测试的模型数量包括131,071种组合。鉴于测试的模型数量众多，为每个模型找到最佳截止阈值的roc曲线分析变得非常重要。我们选择了针对sn≥90％且sp尽可能高的阈值。这也有降低错误发现率(fdr)的好处。正如我们之前提到的，我们的目标是改善who程序的sp，同时保持高sn。结果在本节中，我们将展示我们的分析结果，从交叉验证过程和我们患者组中的who/imci程序表现开始。然后，我们描述了模型的表现，并与2-11个月龄组的who结果进行了比较，然后是12-60个月的年龄组。交叉验证技术如方法部分所述，我们使用k重交叉验证来训练和评估我们的分类器模型。在这项研究中，我们设定k＝8，每个折叠产生8-9个儿童。较高的k值，例如更常用的k＝10，将导致每个折叠中有6-7个儿童。我们认为这个数字不够，并决定k＝8可以更好地平衡测试数据。请注意，在交叉验证的每个折叠中，训练集和测试集是互斥的，即训练和测试测试集不重叠。who/imci表现我们将who标准(参见表i)应用于k重交叉验证数据集的每个折叠中的数据，并计算所有折叠的平均值和标准偏差(sd)。结果如表10所示。表10-应用于k重测试集的who标准(以平均值+/-标准差表示)正如预期的那样，who标准在两个年龄组中都产生了较高sn和相对较小的sd，但特异性sp差。我们的目标是保持who程序的高灵敏度，同时提高特异性。接下来我们描述所提出方法的表现。由于分析是针对每个年龄组分别进行的，我们将首先呈现2-11个月年龄组的结果。2-11个月年龄组的表现图14a至14c示出了对于2-11个月龄组一次使用一个、两个和三个特征的模型的平均sn和sp值。我们的特征集由表11中列出的17个观察/测量组成。一次考虑一个特征的总组合数为17，得到17个lrm模型，其中一个特征作为输入(图14a)。类似地，一次两个特征和一次三个特征分别给出136和680个lrm模型(图14b和图14c底部框架)。总体而言，在一个lrm中一次最多组合四个特征时发现了显著的好处。图15示出了我们选择用于进一步考虑的12个经过训练的lrm模型的roc曲线分析。两个模型分别来自单个和两个特征组合，五个模型来自三个特征组合，三个模型来自四个特征组合。每帧中的实线表示在k个折叠处形成的平均roc曲线。每帧上的十字表示所示点处的sn和1-sp的sd。在图15的每一帧上，我们还以图形方式说明(见框)资源有限区域的who/imci程序的可能表现。方框的中心表示平均表现，方框的高度和宽度代表sd。表11示出了12种模型的培训和测试表现数字。表11-用于诊断2-11个月儿童肺炎的各种模型之间的表现比较(auc＝曲线下面积，co＝截止阈值)。当使用单个特征为2-11个月龄组创建lrm时，测试表现方面的最佳特征是呼吸速率(sn为91％和sp为35％)和胸凹陷(sn为98％和sp为33％)。这些数值与who标准的表现密切相关，因为它也依赖于儿童肺炎分类的相同特征。单独地，呼吸速率和温度在训练表现中显示出最高的auc。然而，与具有可比较数值的呼吸速率模型相比，温度模型显示出与who标准相比较高的sn和较低的sp。在测试数据集上，两个模型都展示了具有很小sd的较高sn和，但是sp的sd变化很大，使得两个模型本身都不可用。这表明与单特征lrm模型相比，who标准仍然更可靠。一次使用两个特征可将某些特征组合的sp提升至50％，同时将sn保持在90％左右。这是最好的单一特征模型的sp的重大改进。表现最佳的是使用呼吸速率和氧饱和度的模型，以及呼吸速率和发烧。两种特征组合在训练中显示出高auc(75-82％)。我们继续添加特征，直到找到最佳lrm特征组合。在三个同时特征模型上，整体测试性能高于双特征模型。平均sn水平在90％左右保持不变，平均sp水平平均比双重特征模型高30％。sn的sd水平没有变化，但sp减小了44％。该类别中表现最佳的模型包括发烧、氧饱和度和胸凹陷作为参数，sn值为88.1±13.6％，sp值为61.9±8.7％。与who/imci程序(sn和sp分别为92.0±11.6％和38.1±18.5％)相比，平均sn低4％而sp高62％。与who相比，sn的sd高17％，sp的sd小53％。因此，就sp而言，最佳三重特征模型的表现远优于who标准，并且sn损失很小。通过一次使用四个特征，可以进一步改进分类表现。表现最佳的模型使用流鼻涕的存在、流鼻涕的天数、呼吸速率和温度(91.3±13.0％sn和70.2±22.80％sp)。平均sn与who结果相当，平均sp高84％。然而，与who/imci程序相比，sn和sp的sd略高。表现第二好的模型使用流鼻涕，流鼻涕天数，呼吸速率和心率为91.5±9.2％，sp为66.0±26.3％。平均sn也与who结果相当，而sp则高出73％。对于sd，与who相比，它们的sn小20％，sp高42％。在12-60个月年龄组的表现对于12-60个月的年龄组，重复相同的过程，首先观察选择用于比较的来自12个训练的lrm模型的roc曲线，如图16所示，这是12-60个月年龄组的roc曲线分析。每帧中的实线表示在k次迭代中形成的平均roc曲线。每帧上的十字表示所示点处的sn和1-sp的sd。在每帧上，通过交叉框图示了资源有限区域的who/imci程序的表现。方框的中心表示平均表现，方框的高度和宽度代表sd。表12-对于12-60个月儿童，训练模型与who标准之间的表现比较(auc＝曲线下面积，co＝截止阈值)。两个年龄组的两个表现最佳的模型在图17中进行了比较。对于单一特征类别，呼吸速率和胸凹陷(单独)仍然显示出一般的最佳性能。该年龄组的who/imci程序实施证明sn为95.7±7.6％，sp为9.8±13.1％。该年龄组中最好的双重特征lrm模型还包括呼吸速率作为参数。最好的两个模型是呼吸速率和发烧与呼吸速率和氧饱和度。对于三重特征，在使用发烧、温度和胸凹陷时观察到最佳测试表现。对于测试表现，该组合的sn达到92.1±15.8％，sp达到51.3±39.0％。平均sn仍然与who标准相当，差异为3％，但lrm模型的平均sp高出423％。与who相比，sn的sd值增加了107％，而对于sp，其增加了197％。此类别中最好的sp是发烧、呼吸速率和温度的组合，sp为74.8％±30.2％。这比who的平均sp增加663％，sd增加130％。与who结果相比，平均sn值也降低了8％，而sd仍然高出100％。在具有四个特征的模型中，表现最佳的模型使用存在发烧、咳嗽天数、心率和胸凹陷的存在(sn为94.0±12.1％，sp为74.0±23.3％)。平均sn比who表现低2％，平均sp高出655％。表现第二好的模型使用流鼻涕、流鼻涕天数、呼吸速率和温度，sn和sp分别为91.4±12.1％和71.9±36.4％。最佳表现模型中的重复性特征随着所有特征组合中表现最佳的lrm中某些特征的反复出现，我们决定系统地探索这些特征，以便对所考虑的17个特征中的最重要特征进行排序。我们为所有可能的组合设定了90％的阈值sn和70％的sp，从一次使用一个特征到17个特征，找到了20个符合标准的模型(2-11月龄组中的8个模型)和12-60岁月龄组中的8个模型)。表13示出了前20个特征组合中每个特征的重复次数。表13-示出sn>90％和sp>70％的模型中的特征出现次数。如呼吸速率的几个测量和如存在流鼻涕的观察主要作为良好模型中的重复特征存在。讨论本研究的一个特定目的是探讨是否可以利用常规临床观察和测量来诊断肺炎，其特异性高于who程序，同时保持至少90％的灵敏度。我们的结果表明这确实是可能的。我们表现最佳的模型表现出91％的灵敏度，同时根据受试者的年龄实现70-72％的sp。与who/imci程序相比，这些数值代表sp增加84-655％，其中sp在10-38％之间。我们的结果基于k重交叉验证，因此报告的结果不是用于训练特定模型的相同数据。实现所需表现所需的临床观察和测量的数量为设计针对资源贫乏地区的临床方案提供了有用的启示。我们获得的结果表明我们的单一特征模型的表现类似于who/imci程序。增加第二、第三和第四特征显著改善sp，而sn继续保持在90％以上。超过四个特征，计算复杂性提高而不会带来任何表现提升。本文的一个重要贡献是确定最重要的临床特征和测量，这些特征和测量可以显著提高资源贫乏地区肺炎诊断的准确性。我们对我们详尽的模型数据库进行了调查，以确定在满足sn>90％和sp>70％的模型中重复出现的特征。呼吸速率在两个年龄组的16个模型中作为特征出现。氧饱和度和胸凹陷也是分别出现在总共20个模型中的8个和12个模型中的重要参数。这些测量的重要性在医学和研究界中是众所周知的。我们的工作揭示了两个具有潜在意义的参数；“流鼻涕的存在”和“流鼻涕的天数”都出现在20个模型中的16个中，就像呼吸速率一样。对于12-60个月的年龄组，“发烧的存在”也作为频繁参数出现(20个模型中的4个)。呼吸速率是who/imci程序中使用的诊断肺炎的主要测量方法。虽然它似乎是一个容易测量的参数，但在资源贫乏的地区却难以实现。因此，全球肺炎诊断资源的主要部分被分配用于改进测量呼吸速率的技术和方案[nn]。如果没有可靠的呼吸速率测量，who/imci方法不能在现场使用。我们的研究结果表明，虽然呼吸速率是一个重要参数，但它并不是诊断肺炎的必要条件。例如，对于2-11个月年龄组，我们使用四个特征：年龄、发烧存在、咳嗽存在和咳嗽天数的模型能够分别得到sn＝83.5±14.5％和sp＝67.3±23.9％。在另一个年龄组中，该模型的sn和sp分别为91.7±17.8％和51.0±34.6％。在两个特征的模型中，使用发烧和咳嗽天数的组合导致2-11个月年龄组的sn和sp分别为90.2±14.0％和44.3±25.9％。对于年龄较大的年龄组，模型以sn＝85.5±15.2％和sp＝41.9±47.7％进行。这些结果证实了我们之前的观察，当源自咳嗽声的数学特征可用于诊断肺炎时，呼吸速率可能不会增加额外的价值31。最近，人们对使用脉搏血氧仪在资源贫乏地区降低儿童肺炎死亡率的兴趣重新开始[27-29]。低氧血症是严重肺炎的诊断指标，如果可以的话，迅速获得氧气治疗可以改善预后。在我们详尽的模型构建过程中，我们发现20个最佳模型中有8个包括血氧测定作为特征。血氧测定可能是非常有用的特征。然而，我们的结果表明，当在现场没有脉搏血氧仪时，我们可以替代更简单的特征组合。实施例的特征是流鼻涕的存在和流鼻涕的天数。资源贫乏地区的who/imci标准被设计为对检测肺炎高度敏感(年龄<24个月的患者为94％，≥24个月为62％)[17]。也会出现大量假阳性结果，降低了该方法的特异性(16-20％)[17]。在我们之前关于儿童的两项研究中，我们看到who/imci的灵敏度为83％，特异性为47％(n＝91)[25,31]。当医生将其与临床和放射学分析结合使用时，who/imci标准运作良好，表现出77-81％的灵敏度和77-80％的特异性[32]。这些数值与我们在本文中获得的数值相当，而我们的方法没有使用实验室或放射学测量。who标准的低特异性可导致社区抗菌素耐药性上升，并使抗生素无效。它还浪费了罕见的药物库存并延迟了症状重叠(例如疟疾)疾病的早期治疗机会[10,33]。在仅有who/imci标准的缺资源环境中，多达30％的病例症状与疟疾和肺炎相容，需要进行双重治疗[34]。其中一种治疗方法可能是多余的。即使在没有如呼吸速率等关键参数的情况下，本文提出的方法也可能通过产生更准确的结果来帮助解决这些问题。我们在本文中采用的方法是独一无二的。我们在17个特征集中系统地耗尽了所有可能的特征组合。我们总共构建并测试了131,071个模型，每个模型使用不同的特征组合。在文献中，存在who/imci程序增加了一个或两个其他精心挑选的临床特征(例如发烧，血氧测定)用于人工解释的情况。例如，cardoso等人在其2010年的研究[17]中加入了who/imci程序的发热，并说明特异性增加至44％(<24个月的年龄组)和50％(24-60个月的年龄组)。但是，灵敏度降低到低于who/imci的水平。特别是，在24-60个月的年龄组中，原始who/imci和改良方法都不能达到62％以上的灵敏度。我们提出的方法可以实现90％以上的灵敏度，同时将特异性保持在70-72％的范围内。不需要人工解释特征，我们的方法可以提供决策设备。在一个独立的开发中，naydenova等公布了使用机器学习方法组合若干特征的方法的结果[30]。他们报道了氧饱和度、温度、呼吸速率和心率得到其模型中的最佳表现(灵敏度96.6％，特异性96.4％)。在我们的工作中，相同的特征组合导致表现差得多(在2-11个月的年龄组灵敏度88.8％，特异性40％；在12-60个月的年龄组灵敏度82.7％和特异性35.4％)。我们的方法和naydenova[30]之间的一个关键区别是，他们使用健康人作为对照受试者，而我们使用符合纳入标准的具有呼吸道症状的儿童作为我们的对照受试者。我们的对照受试者是去过医院寻求治疗患有与肺炎相同症状的疾病的儿童，但医学诊断他们患有不同的疾病。我们探索的研究问题与naydenova[30]研究的问题完全不同，因此结果不具有可比性。与从一组患有一系列呼吸道疾病的儿童识别肺炎受试者相比，将正常儿童与肺炎受试者分开是一个更简单的问题。结论我们已经开发了一种使用逻辑回归建模来诊断肺炎的方法，该方法基于患者通常记录的各种临床特征。我们开发的lrm模型保留了who/imci程序的高灵敏度，同时将2-11个月年龄组的平均特异性提高了84％，12-60个月年龄组的平均特异性提高了655％。该研究目前受限于研究中涉及的受试者数量(n＝134)以及肺炎的诊断方式。本研究中使用的参考标准是通过听诊、实验室分析和放射摄影(当主治医师认为临床需要时)和受试者对治疗反应的临床过程辅助的整体临床诊断。由于需要限制对儿童的辐射照射，因此未对研究中的所有受试者进行x射线成像。参考文献以下各文献的公开内容通过引用整体并入本文。[1]fullmann,lims,dielemanj,greensladel,gravesc,huynhc,etal.pushingthepace:progressandchallengesinfightingchildhoodpneumonia.(ihme)ifhmae,editor.seattle,wa:ihme；2014.[2]liul,ozas,hogand,perinj,rudani,lawnje,etal.global,regional,andnationalcausesofchildmortalityin2000–13,withprojectionstoinformpost-2015priorities:anupdatedsystematicanalysis.thelancet.2015；385(9966):430-40.[3]un.wecanendpoverty:milleniumdevelopmentgoalsandbeyond2105.2015；availablefrom:http://www.un.org/millenniumgoals/childhealth.shtml.[4]brycej,blackr,victorac.millenniumdevelopmentgoals4and5:progressandchallenges.bmcmedicine.2013；11(1):225.[5]un.themilleniumdevelopmentgoalsreport2014.newyork:un；2014.[6]walkercl,rudani,liul,nairh,theodoratoue,bhuttaza,etal.globalburdenofchildhoodpneumoniaanddiarrhoea.lancet.2013；381(9875):1405-16.[7]madhisa,walspd,grijalvacg,grimwoodk,grossmanr,ishiwadan,etal.theburdenofchildhoodpneumoniainthedevelopedworld:areviewoftheliterature.thepediatricinfectiousdiseasejournal.2013；32(3):e119-e27.[8]rambaud-althausc,althausf,gentonb,d'acremontv.clinicalfeaturesfordiagnosisofpneumoniainchildrenyoungerthan5years:asystematicreviewandmeta-analysis.thelancetinfectiousdiseases.2015；15(4):439-50.[9]qazis,werew.improvingdiagnosisofchildhoodpneumonia.thelancetinfectiousdiseases.2015；15(4):372-3.[10]who.antimicrobialresistance:globalreportonsurveillance2014.geneva:worldhealthorganization；2014.[11]lyncht,bialyl,kellnerjd,osmondmh,klassentp,durect,etal.asystematicreviewonthediagnosisofpediatricbacterialpneumonia:whengoldisbronze.plosone.2010；5(8):e11989.[12]changab,ooimh,pererad,grimwoodk.improvingthediagnosis,management,andoutcomesofchildrenwithpneumonia:wherearethegaps？frontiersinpediatrics.2013；1:29.[13]espositos,principin.unsolvedproblemsintheapproachtopediatriccommunity-acquiredpneumonia.curropininfectdis.2012；25(3):286-91.[14]rudani,elarifeens,bhuttaza,blackre,brooksa,chanky,etal.settingresearchprioritiestoreduceglobalmortalityfromchildhoodpneumoniaby2015.plosmed.2011；8(9):e1001099.[15]who.consultativemeetingtoreviewevidenceandresearchprioritiesinthemanagementofari.geneva:worldhealthorganization；2004.[16]scottjag,wonodic,jc,deloria-knollm,delucaan,karronra,etal.thedefinitionofpneumonia,theassessmentofseverity,andclinicalstandardizationinthepneumoniaetiologyresearchforchildhealthstudy.clinicalinfectiousdiseases:anofficialpublicationoftheinfectiousdiseasessocietyofamerica.2012；54(suppl2):s109-s16.[17]cardosom-ra,nascimento-carvalhocm,ferrerof,alvesftm,cousenssn.addingfevertowhocriteriafordiagnosingpneumoniaenhancestheabilitytoidentifypneumoniacasesamongwheezingchildren.archdischild.2011；96(1):58-61.[18]wingertersl,bachurrg,monuteauxmc,neumanmi.applicationoftheworldhealthorganizationcriteriatopredictradiographicpneumoniainaus-basedpediatricemergencydepartment.thepediatricinfectiousdiseasejournal.2012；31(6):561-4.[19]dreiseitls,ohno-machadol.logisticregressionandartificialneuralnetworkclassificationmodels:amethodologyreview.journalofbiomedicalinformatics.2002；35(5–6):352-9.[20]stoltzfusjc.logisticregression:abriefprimer.academicemergencymedicine.2011；18(10):1099-104.[21]shorraf,zilberbergmd,reichleyr,kanj,hobana,hoffmanj,etal.readmissionfollowinghospitalizationforpneumonia:theimpactofpneumoniatypeanditsimplicationforhospitals.clinicalinfectiousdiseases.2013.[22]alibertis,dipasqualem,zanaboniam,cosentinir,brambillaam,seghezzis,etal.stratifyingriskfactorsformultidrug-resistantpathogensinhospitalizedpatientscomingfromthecommunitywithpneumonia.clinicalinfectiousdiseases.2012；54(4):470-8.[23]tekaz,tayea,gizawz.analysisofriskfactorsformortalityofin-hospitalpneumoniapatientsinbushulomajorhealthcenter,hawassa,southernethiopia.science.2014；2(5):373-7.[24]swarnkarv,abeyratneu,changa,amrullohy,setyatia,triasihr.automaticidentificationofwetanddrycoughinpediatricpatientswithrespiratorydiseases.annbiomedeng.2013；41(5):1016-28.[25]kosasihk,abeyratneur,swarnkarv,triasihr.waveletaugmentedcoughanalysisforrapidchildhoodpneumoniadiagnosis.biomedicalengineering,ieeetransactionson.2015；62(4):1185-94.[26]sainanikl.logisticregression.pm&r.2014；6(12):1157-62.[27]floydj,wul,hayburgessd,izadnegahdarr,mukangad,ghaniac.evaluatingtheimpactofpulseoximetryonchildhoodpneumoniamortalityinresource-poorsettings.nature.2015；528(7580):s53-s9.[28]ginsburgas,delarosaj,brunettew,levaris,sundtm,larsonc,etal.mpneumonia:developmentofaninnovativemhealthapplicationfordiagnosingandtreatingchildhoodpneumoniaandotherchildhoodillnessesinlow-resourcesettings.plosone.2015；10(10):e0139625.[29]emdinca,mirf,sultanas,kazia,zaidiamk,dimitrismc,etal.utilityandfeasibilityofintegratingpulseoximetryintotheroutineassessmentofyounginfantsatprimarycareclinicsinkarachi,pakistan:across-sectionalstudy.bmcpediatrics.2015；15(1):1-11.[30].naydenovae,tsanasa,casals-pascualc,vosmd,editors.smartdiagnosticalgorithmsforautomateddetectionofchildhoodpneumoniainresource-constrainedsettings.globalhumanitariantechnologyconference(ghtc),2015ieee；20158-11oct.2015.abeyratneur,swarnkarv,setyatia,triasihr.coughsoundanalysiscanrapidlydiagnosechildhoodpneumonia.annbiomedeng.2013；41(11):2448-62.mulhollandek,simoesea,costalesmo,mcgrathej,manalacem,goves.standardizeddiagnosisofpneumoniaindevelopingcountries.pediatrinfectdisj.1992；11(2):77-81.epub1992/02/01.thaverd,alisa,zaidiak.antimicrobialresistanceamongneonatalpathogensindevelopingcountries.pediatrinfectdisj.2009；28(1suppl).k,nsungwa-sabiitij,petersons.symptomoverlapformalariaandpneumonia—policyimplicationsforhomemanagementstrategies.actatropica.2004；90(2):211-4.who.acuterespiratoryinfectionsinchildren:casemanagementinsmallhospitalsindevelopingcountries:amanualfordoctorsandotherseniorhealthworkers.geneva:worldhealthorganization；1990.puumalainent,quiambaob,abucejo-ladesmae,lupisans,heiskanen-kosmat,ruutup,etal.clinicalcasereview:amethodtoimproveidentificationoftrueclinicalandradiographicpneumoniainchildrenmeetingtheworldhealthorganizationdefinitionforpneumonia.bmcinfectdis.2008；8(1):95.{nn}group:nn1.theacuterespiratoryinfectiondiagnosticaid(arida)project,unicef.http://www.unicef.org/innovation/innovation_81722.html(accessedon08/03/2016).nn2.world'sfirstpneumoniainnovationssummitunveilsnextgenerationprevention,diagnosticandtreatmentinnovations,worldpneumoniaday-2015,http://www.malariaconsortium.org/news-centre/worlds-first-pneumonia-innovations-summit-unveils-next-generation-prevention-diagnostic-and-treatment-innovations.htm(accessedon08/03/2016).nn3.pneumoniadiagnosticsproject,malariaconsortium,http://www.malariaconsortium.org/projects/pneumonia-diagnostics(accessedon08/03/2016).-----------附录b结束------------根据法规，已经用或多或少特定于结构或方法特征的语言描述了本发明。术语“包括(comprises)”及其变体，例如“包括(comprising)”和“由...组成(comprisedof)”在包含性意义上始终使用，而不是排除任何附加特征。应理解，本发明不限于所示或所述的具体特征，因为本文所述的方法包括使本发明生效的优选形式。因此，本发明包括在本领域技术人员适当解释的所附权利要求的适当范围内要求保护的任何形式或修改。在整个说明书和权利要求书(如果存在的话)中，除非上下文另有要求，否则术语“基本上”或“约”将被理解为不限于由术语限定的范围的值。本发明的任何实施方式仅是说明性的，并不意味着限制本发明。因此，应当理解，在不脱离本发明的精神和范围的情况下，可以对所描述的任何实施方式进行各种其他改变和修改。当前第1页12