建立差异诊断方法和基于梯度增强决策树算法AOSD和败血症的在线预测平台
Dongmei Zhou1,2, Jingzhi Xie3, Jiarui Wang4
1The First Clinical College of Xuzhou Medical University, Xuzhou, 221004, China. zdm@xzhmu.edu.cn.
Arthritis research & therapy
|November 17, 2023
概括
一个机器学习模型,AIADSS,使用关键的临床特征有效地区分成人发病的斯蒂尔病 (AOSD) 和败血症. 这种人工智能工具帮助临床医生进行诊断和治疗计划,改善患者护理.
科学领域:
- 人工智能在医学中的应用
- 机器学习用于疾病诊断和诊断
- 临床决策支持系统 临床决策支持系统
背景情况:
- 从临床上讲,区分成人发病的斯蒂尔病 (AOSD) 和败血症是具有挑战性的.
- 准确和及时的诊断对于有效的患者管理和结果至关重要.
- 现有的诊断方法可能缺乏特异性或在区分这些条件的速度.
研究的目的:
- 开发一个机器学习模型用于AOSD和败血症的差异诊断.
- 创建一个可访问的在线平台,用于开发模型的临床应用.
- 为临床医生提供可靠的工具,以帮助区分AOSD和败血症.
主要方法:
- 来自42名AOSD和50名败血症患者的数据被收集用于模型培训.
- 外部验证是使用另外5名AOSD和10名败血症患者的数据进行的.
- 使用Python和scikit-learn开发了一个渐变增强决策树 (GBDT) 模型,通过SHAP选择功能.
主要成果:
- 结合关节痛和实验室值等特征的GBDT模型实现了高诊断精度.
- 训练组的性能:AUC 0.9916,ACC 0.9457,传感器 0.9556,规格 0.9578.8 的时间.
- 外部验证性能:AUC 0.9800,ACC 0.9333,传感器 0.8000,规格 1.000. 在使用过程中.
- 建立了AIADSS (人工智能辅助对斯蒂尔病和败血症的歧视) 模型和在线平台.
结论:
- AIADSS模型在区分AOSD和败血症方面表现出强的表现.
- 开发的在线平台有助于人工智能诊断工具的实际临床应用.
- 这种人工智能驱动的方法为诊断AOSD和败血症的临床医生提供了宝贵的支持.
相关概念视频
01:15Receiver Operating Characteristic Plot
229
A ROC (Receiver Operating Characteristic) plot is a graphical tool used to assess the performance of a binary classification model by illustrating the trade-off between sensitivity (true positive rate) and specificity (false positive rate). By plotting sensitivity against 1 - specificity across various threshold settings, the ROC curve shows how well the model distinguishes between classes, with a curve closer to the top-left corner indicating a more accurate model. The area under the ROC curve...
229
01:18Steps in Outbreak Investigation
134
In the ever-evolving field of public health, statistical analysis serves as a cornerstone for understanding and managing disease outbreaks. By leveraging various statistical tools, health professionals can predict potential outbreaks, analyze ongoing situations, and devise effective responses to mitigate impact. For that to happen, there are a few possible stages of the analysis:
134