機械学習と小児炎における特徴選択

科学分野:

• 医療情報学
• 医療における人工知能
• 小児外科

背景:

• 小児性炎の診断,治療,重度の正確な予測は,効果的な臨床的意思決定に不可欠です.
• 機械学習 (ML) モデルは,診断の正確性と患者の結果を改善する可能性を秘めています.
• MLモデルの性能における超音波 (US) 画像記述機能の役割については,さらなる調査が必要である.

研究 の 目的:

• 小児性炎の様々なMLモデルと特徴選択技術の予測性能を評価する.
• モデルの性能と説明性に対する米国のイメージ記述機能の影響を評価する.
• 小児性虫炎の診断,治療,重症度の予測のための最適なMLアプローチを特定する.

主な方法:

• 781人の小児患者 (0~18歳) を対象とした遡及コホート研究.
• ランダムフォレスト,ロジスティック回帰,SGD,LGBMを含むMLモデルの開発と検証.
• MLモデルとフィルターベースの,埋め込みの,およびラッパー機能の選択方法の完全なペアリング,新しい冗長性意識のアプローチを含む.
• 精度とAUROCメトリクスを用いて,US画像記述機能を持つモデルと無するモデルの評価.

主要な成果:

• 米国では診断の精度が大幅に改善され,モデルバイアスが減少しています.
• モデルでは,診断 (98.1%の精度,0.993AUROC),管理 (93.9%の精度,0.980AUROC),および重症度 (90.1%の精度,0.931AUROC) で高い性能を達成しました.
• 管理や重症を予測する精度を最大化するために,米国の特徴は不可欠ではありませんでした.

結論:

• 高性能で解釈可能なMLモデルは,小児性盲腸炎の主要な臨床結果を効果的に予測できます.
• 米国画像の特徴は診断の精度を高めますが,管理や重症を予測するには重要ではありません.
• MLは小児尾炎の臨床意思決定を最適化する 有望なツールです