序列模型用于预测患者在过敏性鼻炎的皮下免疫治疗中的坚持
Yin Li1, Yu Xiong2, Wenxin Fan3
1Department of Otorhinolaryngology, The First People's Hospital of Foshan, Foshan, China.
Frontiers in pharmacology
|August 5, 2024
概括
机器学习模型准确地预测了对过敏性鼻炎 (AR) 的皮下免疫疗法 (SCIT) 的不遵守. 长期短期记忆 (LSTM) 模型显示的坚持预测的准确性高于静态潜演员-关键 (SLAC) 模型.
科学领域:
- 过敏和免疫学 过敏和免疫学
- 人工智能的人工智能
- 医疗信息学 医疗信息学
背景情况:
- 皮下免疫疗法 (SCIT) 为过敏性鼻炎 (AR) 提供长期治疗.
- 患者的坚持对于最大限度地发挥过敏原免疫疗法 (AIT) 的益处至关重要.
- 预测不遵守和症状得分对于有效的AIT管理至关重要.
研究的目的:
- 开发和评估机器学习模型,用于预测AR患者的SCIT不坚持和局部症状得分.
- 为了比较基于静态静态演员-关键 (SLAC) 和长短期记忆 (LSTM) 网络的顺序潜变模型 (SLVM) 的性能.
主要方法:
- 利用SLAC和LSTM,用于时间序列数据设计的循环神经网络,以建模患者坚持动态.
- 基于其在3年SCIT期内预测坚持和局部症状得分的能力来评估模型.
- 从强有力的分析的初始时间步骤中排除了偏见样本.
主要成果:
- LSTM模型实现了预测粘附精度在66%至84%之间,超过了SLAC模型 (60%至72%).
- 对于LSTM,根平均平方误差 (RMSE) 在1.09到1.77之间,而对于SLAC,它们在0.93到2.22.
- 这两种模型都显示RMSE明显低于随机预测误差 (4.55).
结论:
- 序列模型为AR中SCIT的长期管理提供了一个有希望的方法.
- 在预测患者遵守性方面,LSTM表现优异,而SLAC在预测症状得分方面表现出色.
- SLAC模型的灵活性为管理长期AIT提供了一种新的方法.
