一个基于人工智能的支持工具,用于从自我报告历史问卷诊断腰椎脊柱狭窄症

科学领域:

• 医疗信息学 医疗信息学
• 人工智能在医学中的应用
• 脊柱疾病 脊柱疾病

背景情况:

• 症状的腰椎脊柱狭窄 (LSS) 导致显著的功能障碍和疼痛.
• 腰椎病的放射学分级可能并不总是与临床症状相关.
• 目前用于LSS的诊断方法可以改进,以获得更好的患者结果.

研究的目的:

• 评估机器学习 (ML) 模型,以仅使用患者报告的病史问卷来诊断症状性LSS.
• 根据问卷数据确定各种ML模型在识别LSS中的预测准确度.
• 探索AI在自动化LSS诊断方面的潜力.

主要方法:

• 从4827名患者 (137名LSS患者) 的数据进行了回顾性分析.
• 开发和比较多个ML模型,包括随机森林,拉索逻辑回归,支向量机,梯度增强树,深度神经网络和自动ML.
• 培训和验证模型使用从文献和专家共识中得出的问卷.

主要成果:

• 随机森林模型实现了LSS诊断的最高预测准确度.
• 随机森林模型的性能指标包括AUROC为0.96,灵敏度为0.94,特异性为0.88,平衡精度为0.91,Cohen的kappa为0.85.
• 基于问卷数据的ML模型在诊断LSS方面表现出高准确度.

结论:

• 机器学习可以使用自我报告问卷以高准确度自动诊断LSS.
• 由人工智能驱动的标准化工作流可以作为一种有价值的支持性诊断工具.
• 这种方法可以简化患者管理,并可能减少医疗保健支出.