一种人工智能方法,用于调查子宫内膜异位症的多因素疼痛相关特征
Amber C Kiser1, Karen C Schliep2, Edgar Javier Hernandez1,3
1Department of Biomedical Informatics, University of Utah, Salt Lake City, Utah, United States of America.
PloS one
|February 21, 2024
概括
人工智能识别了女性不同的疼痛模式,改善了子宫内膜异位症的诊断. 这种人工智能方法澄清了模糊的症状,可能减少了这种慢性疾病的诊断延迟.
科学领域:
- 妇科健康 妇科健康
- 医疗信息学 医疗信息学
- 人工智能在医学中的应用
背景情况:
- 子宫内膜异位症影响11%的生育年龄妇女,导致衰弱的慢性疼痛.
- 诊断是具有挑战性的,延迟长达12年,对生活质量产生负面影响.
- 模糊的疼痛症状和多种差异诊断导致诊断困难.
研究的目的:
- 用基于人工智能 (AI) 的方法澄清表现为子宫内膜异位症的明显疼痛症状.
- 调查以前不精确的疼痛症状,以提高子宫内膜异位症的诊断准确度.
- 开发和验证一种基于疼痛特征的AI模型,用于预测子宫内膜异位症风险.
主要方法:
- 利用了473名接受腹腔镜/腹腔切除术的妇女的数据.
- 使用聚类将155个解剖疼痛部位分为15个不同的疼痛部位.
- 开发了一个贝叶斯网络,结合了疼痛特征,次生育能力和风险分析诊断.
主要成果:
- 任何与疼痛相关的特征的存在显著增加了子宫内膜异位症的相对风险 (p < 0.001).
- 慢性盆腔疼痛,不孕症和不孕症的组合显示,子宫内膜异位症风险增加最大.
- 比起传统的统计方法,贝叶斯网络发现了与子宫内膜异位症的更显著的关联.
结论:
- 由人工智能驱动的贝叶斯网络分析可以识别特定的疼痛位置和类型,从而预测子宫内膜异位症.
- 与传统统计相比,这种方法为分析复杂的症状关联提供了更敏感的方法.
- 通过人工智能澄清疼痛症状有可能减少诊断延迟并改善子宫内膜异位症患者的治疗结果.
