提高儿科附扭曲诊断:使用机器学习技术的预测方法.
Ahmad Turki1,2, Enas Raml3,4
1Electrical and Computer Engineering Department, Faculty of Engineering, King Abdulaziz University, Jeddah 21589, Saudi Arabia.
Children (Basel, Switzerland)
|October 28, 2023
概括
机器学习准确地区分了儿科附扭伤和尾炎. 这种人工智能方法有助于诊断儿童急性下腹痛的原因,改善患者的治疗结果.
科学领域:
- 儿科手术 儿科手术
- 医疗成像医学成像
- 人工智能在医学中的应用
背景情况:
- 儿科附扭曲和急性尾炎呈现类似的症状,使诊断复杂化.
- 准确及时诊断对于有效治疗和预防儿科患者并发症至关重要.
研究的目的:
- 开发和评估基于机器学习的诊断方法,以区分儿科附扭伤与急性尾炎.
- 评估支向量分类器在区分这两个条件时的准确性.
主要方法:
- 对41名女性儿科患者的回顾性分析 (21名附扭曲,20名急性尾炎).
- 利用临床表现,疼痛持续时间,白细胞计数和超声波发现作为机器学习模型的特征.
- 使用各种内核的支持向量分类器 (SVM) 来预测诊断.
主要成果:
- 两组之间没有显著的年龄差异.
- 与尾炎组相比,尾扭伤组的疼痛持续时间较短,吐较少,发烧较低,白细胞瘤减少,CRP升高较低.
- 在SVM模型中,在区分尾扭转和尾炎方面,SVM模型的预测准确度达到87%~97%.
结论:
- 机器学习,特别是SVM,可以显著提高儿科附扭曲与尾炎的诊断准确性.
- 拟议的AI驱动的诊断方法显示出临床应用的前景.
- 建议进一步广泛验证和探索各种机器学习模型.
