机器学习算法用于早期诊断胎儿酒精谱系障碍
Anna Ramos-Triguero1,2, Elisabet Navarro-Tapia3,4, Melina Vieiros1,3
1Grup de Recerca Infancia i Entorn (GRIE), Institut d'investigacions Biomèdiques August Pi i Sunyer (IDIBAPS), Barcelona, Spain.
Frontiers in neuroscience
|May 29, 2024
概括
机器学习模型通过分析临床和神经认知数据,准确诊断胎儿酒精谱系障碍 (FASD) 和其亚型. 这种方法有助于早期检测并提高诊断准确性,使FASD与类似疾病区分开来.
科学领域:
- 神经科学是一个神经科学.
- 遗传学 遗传学 是一个
- 儿科 儿科 儿科
背景情况:
- 胎儿酒精谱系障碍 (FASD) 是产前酒精暴露导致的复杂疾病,由于症状与其他神经发育障碍重叠,往往被诊断不足.
- 准确诊断FASD及其亚型 (胎儿酒精综合征,部分FAS,与酒精有关的神经发育障碍) 对于有效的干预和管理至关重要.
研究的目的:
- 探索机器学习 (ML) 算法的应用,用于诊断FASD及其亚型.
- 为了确定预测FASD的关键临床和神经认知变量.
主要方法:
- 利用了来自158名FASD患者和73名对照者的社会人口统计,临床和心理数据.
- 采用了统计分析,包括克鲁斯卡尔-瓦利斯和奇平方测试.
- 应用各种ML算法,包括随机森林和XGBoost,用于预测建模.
主要成果:
- 随机森林模型在预测FASD时表现出高准确度 (0.92).
- 特定的ML模型实现了用于诊断FAS (XGBoost),pFAS (RF) 和ARND (RF) 的高性能指标.
- 关键的预测变量包括母亲的酒精消费,特定的面部特征,生长参数和神经认知评估,如工作记忆指数.
结论:
- ML分析显著提高了FASD及其亚型的早期诊断.
- 通过ML提高诊断准确度可以改进临床实践并减少误诊.
- 识别关键预测变量有助于针对FASD进行查和干预策略.
