使用基于机器学习的逻辑回归预测贝尔或兰赛·亨特综合征引起的同运动
Megumi Kishimoto-Urata1, Shinji Urata1, Hironobu Nishijima1
1Department of Otolaryngology, Graduate School of Medicine The University of Tokyo Tokyo Japan.
Laryngoscope investigative otolaryngology
|October 30, 2023
概括
机器学习模型可以使用早期数据预测来自贝尔或Ramsay Hunt综合征的面部突触. 这些算法,包括逻辑回归 (LR),显示了与传统方法相比,提高预测准确性的承诺.
科学领域:
- 神经学 神经学
- 医疗信息学 医疗信息学
- 生物统计学 生物统计学
背景情况:
- 面部突触是贝尔和兰赛·亨特综合征的常见并发症.
- 预测协同运动有助于患者管理和治疗计划.
- 目前的预测方法可能无法充分利用早期后发病数据.
研究的目的:
- 评价机器学习 (ML) 算法用于预测面部协同运动.
- 将ML模型的预测精度与传统基于统计的物流回归 (LR) 进行比较.
- 使用早期后发病参数进行增强的预测.
主要方法:
- 对362名面部患者进行了回顾性研究.
- 评估电生理学检查,包括电神经图 (ENoG) 和神经刺激性测试 (NET).
- 应用ML算法 (LR,随机森林,k-NN,GBDT) 和基于统计的LR使用早期参数.
主要成果:
- 贝尔麻的突触率为20.2%,拉姆齐·亨特综合征的突触率为40.0%.
- 基于ML的LR使用ENoG实现了0.910.10的曲线下的面积 (AUC).
- 机器学习模型的预测性能与基于统计的LR.LR相比相当或优越.
结论:
- 基于ML的LR显示了预测面部突触概率的潜力.
- 这种ML方法可靠地预测贝尔麻和兰赛·亨特综合征中的同运动.
- 早期发病后的参数与ML相结合,可以提高协同运动的预测.
