机器学习系统的开发和验证,以识别食道24小时pH/阻抗研究中的反流事件
Margaret J Zhou1, Thomas Zikos2, Karan Goel3
1Division of Gastroenterology and Hepatology, Stanford University, Stanford, California, USA.
Clinical and translational gastroenterology
|August 14, 2023
概括
一个新的机器学习系统准确地识别了食道24小时pH/阻抗研究中的反流事件. 这种工具表现出比现有软件更好的性能,与专家医生相比,有助于诊断胃食道逆流症.
科学领域:
- 胃肠病学 胃肠病学
- 医疗信息学 医疗信息学
- 人工智能的人工智能
背景情况:
- 食道24小时pH/阻抗测试对于诊断胃食道逆流病 (GERD) 是至关重要的.
- 解释这些研究是耗时的,并且容易在专家医生之间发生变化.
- 目前,没有机器学习工具可用于自动检测反流事件.
研究的目的:
- 开发和评估一种新的机器学习系统,用于在24小时食道pH/阻抗研究中自动识别反流事件.
- 将机器学习系统的性能与现有的自动化软件和专家医生阅读器进行比较.
主要方法:
- 开发了一个机器学习系统,包括信号处理和预测模型.
- 黄金标准反流事件是由专家医生之间的共识确立的.
- 绩效是使用诸如曲线下的面积,灵敏度和特异性等指标来评估的.
主要成果:
- 机器学习系统实现了0.87的曲线下的面积 (AUC),超过现有软件 (AUC 0.40) 和接近专家阅读器性能 (AUC 0.83).
- 机器学习系统的灵敏度为68.7% (相对于61.1%的软件,79.4%的专家),特异性为80.8% (相对于18.6%的软件,87.3%的专家).
- 该研究包括45名患者,该模型经过训练,验证和测试在不同的组中.
结论:
- 一个新的机器学习系统有效地识别了24小时pH/阻抗研究中的反流事件.
- 与当前的自动化软件相比,开发的系统表现出卓越的性能,与专家医生解释相当.
- 机器学习具有显著的潜力,可以增强食道pH/阻抗数据的自动化分析,改善GERD诊断.
