使用机器学习模型的临床决策支持系统,以协助同时进行心肺听:开放式随机对照试验
Takanobu Hirosawa1, Tetsu Sakamoto1, Yukinori Harada1
1Department of Diagnostic and Generalist Medicine, Dokkyo Medical University, Tochigi, Japan.
Digital health
|February 21, 2024
概括
一个新的机器学习 (ML) 系统显著提高了初级住院医生的心肺听觉精度. 这种人工智能工具有助于职业生涯早期的医生准确地查患者.
科学领域:
- 医疗人工智能 医疗人工智能
- 临床决策支持系统 临床决策支持系统
- 心肺听术是一种心肺听术.
背景情况:
- 机器学习 (ML) 模型对于同时进行心脏和肺部听觉的诊断实用性仍然在很大程度上未被探索.
- 准确的心肺听觉对于初步患者评估至关重要.
研究的目的:
- 开发和评估基于ML的临床决策支持系统对心肺听觉的有效性.
- 评估系统对初级住院医生的诊断准确性的影响.
主要方法:
- 开发了一个ML系统,使用心肺声音文件的预处理,特征提取和神经网络分类.
- 一项涉及24名初级住院医生的随机对照试验将ML系统组与使用常规听觉的对照组进行了比较.
- 参与者分类了同时发生的心肺声音,干预组遵循了ML系统的建议.
主要成果:
- ML系统组在识别正常或异常的心肺声音方面表现出明显更高的准确性 (95.3%与89.3%,P = 0.003).
- 在干预组中,心脏听力评分显著改善 (57.8%对46.9%,P = 0.04).
- 两组之间没有观察到肺部听觉精度的显著差异.
结论:
- 基于ML的系统提高了初级住院医生心肺听觉的准确性.
- 这项技术显示出作为一种工具的承诺,以支持早期职业生涯的医生进行准确的诊断查.
