人工智能驱动的预测框架,用于早期检测死胎.
Sarah A Alzakari1, Asma Aldrees2, Muhammad Umer3
1Department of Computer Sciences, College of Computer and Information Sciences, Princess Nourah bint Abdulrahman University, P.O. Box 84428, Riyadh 11671, Saudi Arabia.
SLAS technology
|October 18, 2024
概括
本研究介绍了一种机器学习模型,即 Tabular Prior Data Fitted Network (TabPFN),用于死产预测. 人工智能模型实现了97.91%的准确性,为产前护理中早期疾病检测提供了一个有前途的工具.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
- 预测分析是一种预测分析.
背景情况:
- 早期发现疾病对于有效的医疗治疗至关重要.
- 尽管在产前护理方面取得了进展,预测死胎仍然是一个重大的全球卫生挑战.
- 机器学习 (ML) 提供了改善死产预测的潜力.
研究的目的:
- 调查表式先前数据拟合网络 (TabPFN) 模型用于死产预测的效率.
- 将TabPFN的性能与其他13个ML模型进行比较.
- 为了解决在死产预测中对准确和深入分析的需求.
主要方法:
- 使用了来自UCI ML存储库的心脏图解 (CTG) 数据集.
- 采用了表格式预先数据装配网络 (TabPFN) 模型.
- 使用精度,回忆,F-score,MCC和AUC评估模型性能,并进行k倍交叉验证.
主要成果:
- TabPFN模型在预测死产时达到97.91%的准确性.
- 具体的评估指标包括97.87%的精度,98.26%的回忆,98.05%的F-score,96.42%的MCC和98.88%的AUC.
- 性能比较表明TabPFN模型的疗效优于其他最先进的研究.
结论:
- TabPFN模型显示出对死产预测的卓越性能.
- 这种由人工智能驱动的方法可以显著帮助降低死产率.
- 需要使用先进的ML模型进行进一步的研究和干预.
