子どもの尿流量測定パターンの人工知能ベースの分析:機械学習の視点
Faruk Arslan1, Omer Algorabi2, Onur Can Ozkan3
1Department of Urology, School of Medicine, Marmara University, Istanbul, Turkey.
Neurourology and urodynamics
|September 5, 2025
まとめ
機械学習モデルは,下部泌尿器系の症状を持つ子供の尿流量測定パターンを解釈し,診断の一貫性を改善する可能性があることを示しています.
科学分野:
- 小児泌尿器科
- 医療情報学
- 医療における機械学習
背景:
- 尿流量測定 (UF) は,小児下尿路症状 (LUTS) を評価するための重要な非侵襲的検査です.
- UFの空白パターンの専門家の解釈は,観測者間の有意な変動を示しています.
- 機械学習 (ML) は,UF分析を標準化するための潜在的な解決策を提供します.
研究 の 目的:
- 小児の尿流量計の排泄パターンの解釈におけるMLモデルの正確性を評価する.
- UFパターンの分類のための異なるMLアルゴリズムの性能を比較する.
主な方法:
- LUTSを患った子供 (4~17歳) の500件の小児尿流量測定検査を分析した.
- 3人の小児泌尿器科の専門家によって,空洞化パターンが最初に解釈され,矛盾については合意に達した.
- 5つのMLモデル (意思決定ツリー,ランダムフォレスト,CatBoost,XGBoost,LightGBM) は80%のデータで訓練され,20%でテストされました.
主要な成果:
- UFパターンの初期的な専門家の合意は適度であった (Fleiss' κ = 0.608),テストの37.8%が不一致を示した.
- XGBoostモデルは空白パターンの分類において最高精度 (85.00% ± 2.90%) を達成した.
- 精度はパターンによって異なるが,中断されたパターンは高い精度 (95%-100%) を示し,塔/高原パターンは低い精度 (61.54%-73.08%) を示した.
結論:
- MLモデルは小児の尿流量測定パターンの解釈において,許容可能な精度を示しています.
- 人工知能は小児泌尿器科における尿流量測定の空白パターンの分析を標準化する可能性を秘めている.
- 更に研究が進められれば,人工知能による LUTS 評価のための診断ツールが開発されるかもしれません.
