鼻の症状に関する患者報告アウトカム評価指標の調和：伝統的手法と機械学習手法の比較

科学分野:

• 耳鼻咽喉科学
• 医療情報学
• 心理測定学

背景:

• 鼻閉の評価は、さまざまなスケールを持つ多様な測定機器に依存しています。
• データ調和は、異なる機器間のスコアを比較するために重要ですが、十分に活用されていません。
• 鼻閉データの標準化は、研究および臨床分析を強化します。

研究 の 目的:

• 複数の機器からの鼻閉スコアを調和するための最適な方法を特定すること。
• NOSE、Utrecht-Q、SCHNOSスケールとENFASスケール間の等価性のための変換方法を開発すること。
• 異なる鼻症状機器間のスコア予測の精度を向上させること。

主な方法:

• 線形等化、項目応答理論（IRT）、および機械学習（ML）手法を比較しました。
• 調和のために線形回帰、ランダムフォレスト、サポートベクターマシン、ニューラルネットワークを利用しました。
• 1324人の患者を対象とした5分割交差検証における二乗平均平方根誤差（RMSE）を使用して調和の質を評価しました。

主要な成果:

• 機械学習手法は、RMSEが最も低く、優れた調和結果をもたらしました。
• MLアプローチは、一般的な心理測定調和技術であるIRTを上回りました。
• テストされたすべてのMLモデルは、スコア予測と調和において有効性を示しました。

結論:

• 機械学習手法は、鼻閉評価のための高品質なデータ調和を提供します。
• ML手法は、鼻症状スコアの調和において、線形等化およびIRTに代わる強力な選択肢となります。
• MLの実装は、特定の鼻科手術研究シナリオにおけるデータ調和の質を大幅に向上させることができます。