FASDetect是一种基于机器学习的查应用程序,用于在患有ADHD的青少年中检测FASD
Lukas Ehrig1,2, Ann-Christin Wagner2, Heike Wolter2
1Digital Health Center, Hasso Plattner Institute for Digital Engineering, University of Potsdam, Potsdam, Germany.
NPJ digital medicine
|July 19, 2023
概括
胎儿酒精谱系障碍 (FASD) 通常被误诊为ADHD. 这项研究开发了一种机器学习工具FASDetect,用于准确地选患有ADHD症状的青少年的FASD,从而改善诊断和护理.
科学领域:
- 神经科学是一个神经科学.
- 发育儿科 发育儿科
- 医疗保健中的机器学习
背景情况:
- 胎儿酒精谱系障碍 (FASD) 经常被低诊断或误诊,经常出现类似于注意力缺陷/多动症障碍 (ADHD) 的症状.
- 准确和早期查FASD对于及时干预和改善受影响儿童和青少年的结果至关重要.
- 现有的诊断方法可能是复杂和耗时的,突出显示了对高效查工具的需求.
研究的目的:
- 开发和验证基于机器学习的查工具,用于识别患有ADHD症状的年轻人,他们也可能患有FASD.
- 在患有ADHD症状的儿科人口中确定FASD预测的关键临床变量.
- 创建一个用户友好的,临床上可扩展的工具来评估FASD风险.
主要方法:
- 利用了275名患有FASD (有或没有ADHD) 和170名患有ADHD (没有FASD) 的0-19岁患者的医疗记录数据.
- 通过使用13个选择的临床变量,训练和评估了6个机器学习模型.
- 采用随机森林模型,通过交叉验证的AUC评估预测准确性.
主要成果:
- 随机森林模型显示FASD查的高预测准确度,实现0.92.9的交叉验证AUC.
- 使用六个关键变量 (出生长度,头周长,智商,社交行为,记忆,睡眠) 的简化模型显示了可比的预测性能.
- 开发的预测模型被实施到一个自由可访问的基于Web的应用程序中,称为FASDetect.
结论:
- 机器学习,特别是随机森林模型,可以有效地选患有ADHD症状的青少年的FASD.
- 该FASDetect工具提供了一个有前途的,用户友好的,可扩展的解决方案,用于改善临床环境中的FASD检测.
- 通过像FASDetect这样的工具,及早准确地识别FASD,可以为受影响的个体提供更好的管理和支持.
