Desarrollo de un modelo de clasificación del síndrome frío-calor para niños con rinitis alérgica basado en datos...

Área de la Ciencia:

• Inteligencia artificial en medicina
• Diagnóstico de medicina tradicional china
• Salud pediátrica

Sus antecedentes:

• La rinitis alérgica (RA) en niños es cada vez más prevalente a nivel mundial, lo que afecta la calidad de vida y genera costos económicos.
• La medicina occidental ofrece alivio sintomático para la RA, pero la recurrencia y los efectos secundarios son preocupaciones.
• La Medicina Tradicional China (MTC) ofrece una alternativa a través de la diferenciación de síndromes, aunque el diagnóstico puede ser subjetivo.

Objetivo del estudio:

• Desarrollar un método de análisis de imágenes digitales de la lengua para mejorar la precisión de la diferenciación de síndromes de MTC para la RA pediátrica.
• Ayudar a los médicos a distinguir entre síndromes de frío y calor en niños con RA.
• Mejorar la objetividad y la eficacia de los tratamientos de MTC para la RA pediátrica.

Principales métodos:

• Se desarrolló un modelo de aprendizaje profundo multimodal, que integra características de imágenes de la lengua (SE-DenseNet) y datos clínicos.
• Se utilizó un modelo transformer para clasificar a los pacientes en síndromes de frío o calor basándose en las características extraídas.
• Se evaluó el rendimiento del modelo utilizando métricas que incluyen AUC, precisión, precisión, recuperación y puntuaciones F1 en los conjuntos de entrenamiento y prueba.

Principales resultados:

• El modelo multimodal logró un alto rendimiento en la clasificación de síndromes de frío y calor en pacientes pediátricos con RA.
• En el conjunto de prueba, el modelo reportó un AUC de 0.877, una precisión de 0.856, una precisión de 0.863, una recuperación de 0.829 y una puntuación F1 de 0.910.
• El modelo desarrollado demostró un rendimiento superior en comparación con otros modelos evaluados.

Conclusiones:

• El modelo multimodal integra eficazmente características clínicas e imágenes de la lengua para una diferenciación precisa de síndromes en la RA pediátrica.
• Este enfoque ofrece resultados diagnósticos objetivos y cuantificables, lo que podría mejorar la toma de decisiones sobre el tratamiento.
• El estudio destaca el potencial de los diagnósticos de MTC asistidos por IA para el manejo de la RA pediátrica.