公共卫生护士关于通过分类,合并和深度学习模型预测宫癌查缺席的观点

科学领域:

• 公共卫生 公共卫生
• 医疗信息学 医疗信息学
• 机器学习 机器学习

背景情况:

• 低出席率的宫癌查 (CCS) 是一个重要的公共卫生问题.
• 识别CCS的障碍对于有针对性的干预和改善妇女健康结果至关重要.

研究的目的:

• 评估各种机器学习算法的有效性,以预测女性对CCS缺席的障碍.
• 为了比较分类,集合和深度学习模型的预测准确度和性能,用于识别非出席者.

主要方法:

• 利用了来自1046名参加初级卫生中心 (PHC) 的妇女的实时数据.
• 采用了分类,组合 (软投票,加权平均,包装) 和深度学习 (LSTM,MLP,NN) 模型.
• 根据准确性,特异性,灵敏性和接收器操作特征曲线 (AU-ROC) 下的面积来评估模型.

主要成果:

• 组合模型,特别是袋装,表现出高性能,准确度为98.49%,特异性为97.3%,灵敏度为100% (AUC为0.99).
• 随机森林和神经网络也实现了98.49%的准确性 (AUC 0.98).
• 像MLP和NN这样的深度学习模型显示了最高的AUC值 (0.99),而LSTM实现了95.68%的准确性.

结论:

• 集体和深度学习模型对于预测宫癌查缺席的障碍非常有效.
• 这些先进的模型为医疗保健提供者提供了有前途的工具,以加强查计划的参与.