开发和验证用于猫和狗临床健康访问分类的机器学习模型
Donald Szlosek1, Michael Coyne1, Julia Riggott1
1IDEXX Laboratories, Inc., Westbrook, ME, United States.
Frontiers in veterinary science
|September 16, 2024
概括
这项研究开发了一个模型来准确地分类兽医访问,将健康检查与其他检查区分开来. 该模型的准确性很高,有助于早期发现疾病和预防护理研究.
科学领域:
- 兽医医学 兽医医学 兽医医学
- 医疗保健中的机器学习
- 动物健康监测 动物健康监测
背景情况:
- 在兽医中,早期发现疾病对于在例行健康检查期间在看似健康的动物中识别亚临床异常至关重要.
- 准确的兽医访问分类对于预防护理和早期疾病识别的研究至关重要.
研究的目的:
- 为了验证一个设计用于自动将兽医访问分类为"健康"或"其他"的机器学习模型.
- 为了比较模型的分类性能与由董事会认证的兽医专家制作的手册分类.
主要方法:
- 一种渐变增强机模型在2012-2017年间11105次临床访问的数据集上进行了训练.
- 三名兽医专家手动对400次访问的随机子集进行了分类.
- 模型的分类与专家验证者的共识进行了比较.
主要成果:
- 该模型在识别非健康访问时实现了0.94的特异性.
- 该模型表现出0.86的灵敏度,用于正确识别健康访问.
- 均衡精度为0.90,表明该模型在访问分类中的整体表现强.
结论:
- 开发的模型准确地区分了健康和其他兽医访问,具有高度的特异性和敏感性.
- 这种工具显示了促进预防护理和早期发现动物亚临床疾病的研究的潜力.
- 建议进行进一步的前性研究,以验证模型在现实临床环境中的性能.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
12:18A Machine Learning Approach to Design an Efficient Selective Screening of Mild Cognitive Impairment
Published on: January 11, 2020
7.5K
