使用临床变量构建和验证一个算法来分离焦点和泛性:机器学习方法的比较

科学领域:

• 神经学 神经学
• 机器学习在医学中的应用
• 临床诊断 临床诊断 临床诊断

背景情况:

• 准确地将分为焦点或泛型,对于选择有效的抗发作药物 (ASM) 来说至关重要.
• 资源有限的环境往往缺乏先进的诊断工具,如EEG和神经成像,需要临床方法来分类.
• 仅根据临床数据区分类型是一个重大的诊断挑战.

研究的目的:

• 开发和评估基于机器学习的临床算法,以区分焦点与泛性.
• 为了比较一个天真贝叶斯算法的准确性与其他机器学习方法来分类.
• 在资源有限的环境中创建一种用于类型确定的实用工具.

主要方法:

• 利用了503名患有确定的类型的患者的临床数据.
• 采用机器学习来识别基于相互信息的分类最相关的变量.
• 训练并测试了一个天真贝叶斯模型,将其性能 (灵敏度,特异性,准确性,AUC,科恩卡帕) 与其他算法进行比较.

主要成果:

• 最好的纯粹贝叶斯算法,使用11个变量,在分类类型方面实现了92.2%的准确性.
• 一个简化的八变量算法证明了高精度 (91.0%) 和改善的临床可用性.
• 评估的所有六种机器学习方法都产生了可比的结果.

结论:

• 一个八个变量的临床算法有效和准确地区分焦点和通用.
• 该算法是资源有限的环境中诊断的宝贵工具,指导ASM选择.
• 开发的算法消除了对EEG或神经成像的需要,赋予了不经验的临床医生权力.