预测病毒性肝炎的机器学习:系统性审查和元分析
Khadijeh Moulaei1, Hamid Sharifi2, Kambiz Bahaadinbeigy3
1Department of Health Information Technology, Faculty of Paramedical, Ilam University of Medical Sciences, Ilam, Iran.
International journal of medical informatics
|October 8, 2023
概括
机器学习算法显著改善病毒性肝炎的预测. 支持载体机器 (SVM) 和K-最近邻居 (KNN) 显示出分别对乙型肝炎和C型肝炎的诊断的卓越性能,提高了患者管理.
科学领域:
- 医疗信息学 医疗信息学
- 计算生物学 计算生物学
- 肝病学 肝病学是一种肝病学.
背景情况:
- 准确的肝炎诊断对于有效的治疗和患者的治疗结果至关重要.
- 诊断的延迟阻碍了疾病进展的预防和并发症的减少.
- 机器学习 (ML) 提供了提高诊断及时性和精度的潜力.
研究的目的:
- 系统地审查和元分析ML算法在预测病毒性肝炎方面的性能.
- 确定最有效的ML算法用于乙型肝炎和C型肝炎的预测.
主要方法:
- 在PubMed,Scopus和Web of Science数据库中进行系统文献搜索,直到2023年6月.
- 包括21项评估82个ML算法的原始研究.
- 根据PRISMA 2020指南并使用Stata 17进行数据提取和分析.
主要成果:
- 支持载体机器 (SVM) 对乙型肝炎的预测显示出高灵敏度 (90.0%) 和特异性 (94.0%).
- K-最近邻居 (KNN) 显示了对C型肝炎预测的高灵敏度 (80.0%) 和特异性 (95.0%).
- 无论是SVM还是KNN,对于各自的肝炎预测都有显著的诊断几率比率.
结论:
- SVM和KNN算法在预测病毒性肝炎方面表现出卓越的性能.
- 将这些ML算法集成到临床实践中可以提高肝炎预测和患者管理.
