提前预测子宫内粘附的严重程度:集成机器学习方法与透镜冷刀系统,临床特征和血液学参数
Jie Yang1, Xiaodong Zheng1, Jiajia Pan1
1Department of Obstetrics and Gynecology, The Third Clinical Institute Affiliated to Wenzhou Medical University, Wenzhou People's Hospital, Wenzhou, 325000, China.
Computers in biology and medicine
|May 26, 2024
概括
一个新的机器学习模型,bTLSMA-SVM-FS,准确地预测子宫内粘附 (IUA) 的严重程度. 这有助于针对女性不孕症和生殖健康风险的个性化治疗.
科学领域:
- 生殖医学 生殖医学
- 医疗保健中的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 宫内粘附 (IUA) 显著影响女性生育能力,导致不孕,流产和月经不规则.
- 准确评估IUA严重程度对于有效的,个性化的治疗策略和改善生殖结果至关重要.
- 目前的诊断方法可能缺乏最佳患者管理所需的精度.
研究的目的:
- 引入bTLSMA-SVM-FS,一种用于预测子宫内粘附 (IUA) 严重性的新型机器学习模型.
- 为了验证增强的粘液模具算法 (TLSMA) 与现有的元启发式和最先进的算法的性能.
- 确定影响IUA严重性预测的关键临床因素.
主要方法:
- 开发一个特征选择模型,将增强的粘液模具算法 (TLSMA) 与支向量机 (SVM) 集成在一起.
- 使用CEC 2017基准函数对11个元启发式和11个SOTA算法进行TLSMA的优化和比较分析.
- 将bTLSMA-SVM-FS模型应用于107名子宫内粘附患者的临床数据.
主要成果:
- 在优化实验中,TLSMA与其他11个算法相比,表现出更高的性能.
- 在预测IUA严重程度方面,bTLSMA-SVM-FS模型实现了高准确度 (86.70%) 和特异性 (87.61%).
- 确定的主要预测因素包括手术前的中国IUA得分,生产时间,血栓时间,子宫内膜厚度和月经.
结论:
- bTLSMA-SVM-FS模型提供了一种强大而准确的方法来评估子宫内粘附的严重程度.
- 鉴定到的临床因素为IUA病变提供了有价值的见解,并为目标治疗策略提供了信息.
- 这种人工智能驱动的方法增强了宫内粘附患者的个性化医疗,改善了生育结果.
