使用机器学习模型通过数字收集的数据来区分神经发育状况:横截面问卷研究
Silvia Grazioli1,2,3, Alessandro Crippa1, Noemi Buo1
1Child Psychopathology Unit, Scientific Institute IRCCS Eugenio Medea, Bosisio Parini, Italy.
JMIR formative research
|July 29, 2024
概括
机器学习 (ML) 模型使用数字家长报告的数据准确地对儿童注意力缺陷/多动症 (ADHD) 和自闭症谱系障碍 (ASD) 进行分类. 这种方法为早期精神病理学诊断提供了有前途的查工具.
科学领域:
- 心理信息学和计算精神病学.
- 机器学习在发育障碍中的应用.
- 在儿科领域的数字健康和远程医疗.
背景情况:
- 儿童和青少年精神病理学诊断需要多方面的数据,包括临床观察,评估和家庭背景.
- 数字技术,特别是基于互联网的问卷平台,越来越多地用于选.
- 机器学习 (ML) 方法正在出现用于精神病理学分类,但与远程医疗的整合是有限的.
研究的目的:
- 探索ML应用程序来分析数字收集的数据,以支持早期精神病理学诊断.
- 使用基于互联网的家长报告的数据,开发精确的注意力缺陷/多动症 (ADHD) 和自闭症谱系障碍 (ASD) 的ML预测模型.
- 通过提供可靠的诊断支持工具,帮助寻求帮助的新家庭.
主要方法:
- 一项回顾性,单中心的观察性研究,涉及1688名疑似神经发育疾病的儿童和青少年.
- 使用意大利基于互联网的查工具MedicalBIT进行远程数据收集,捕捉社会人口统计学,临床,环境和发展因素.
- 开发和评估随机森林 (RF),决策树 (DT) 和物流回归 (LR) ML模型,使用分类准确度,灵敏度,特异性和变量重要性.
主要成果:
- 随机森林 (RF) 模型实现了高精度:ADHD的84%,ASD的86%,具有很好的灵敏度 (ADHD的93%,ASD的95%).
- 决策树 (DT) 和后勤回归 (LR) 模型的性能较低:DT准确度在74%-79%之间,LR准确度在61%-63%之间.
- 在ML模型中,变量重要性有所不同,这反映了它们在分类ADHD和ASD时的独特特征.
结论:
- 机器学习 (ML) 模型,特别是射频,显示出改善儿童和青少年精神病理学的诊断的巨大潜力.
- 利用数字平台和计算技术对于推进诊断过程至关重要.
- 开发的ML方法可以作为临床医生有价值的查工具,强调在诊断中集成计算方法.
