基于临床特征和唾液流量,用机器学习来预测老年人内

科学领域:

• 口腔医学是指口腔医学.
• 医疗保健中的人工智能
• 老年人牙科 老年人牙科

背景情况:

• 喉干燥 (口腔干燥) 在老年人中很常见,并与唾液流量减少有关.
• 在老龄化人口中,识别异口症的预测因子对于及时诊断和管理至关重要.

研究的目的:

• 采用机器学习算法来识别老年患者异口症的显著预测因素.
• 为了评估未刺激的唾液流速 (UFR) 和刺激的唾液流速 (SFR) 预测精度.

主要方法:

• 一项横截面研究招募了829名口腔不适的患者.
• 分析了六个特征:性别,年龄,UFR,SFR,全身疾病数量和药物使用.
• 四个机器学习算法,包括多层感知器 (MLP),使用了十倍交叉验证.

主要成果:

• Xerostomia 的发病率随着年龄的增长而增加; UFR 随着年龄的增长而显著下降,而 SFR 则没有.
• 在60岁以上的患者中,UFR的预测准确性高于SFR.
• 结合UFR和SFR的MLP模型实现了比单个流速更高的准确性;添加人口和临床数据使准确性从56%提高到68%.

结论:

• 机器学习模型,特别是MLP,可以有效地预测老年人的异口症.
• 将唾液流速与临床因素相结合,可以显著提高异口症的预测准确性.
• 这种人工智能驱动的方法提供了一种新的方法来识别老年人中异口症风险.