通过使用临床参数,研究机器学习算法来预测关节障碍
Nazim Tolgahan Yıldız1, Hikmet Kocaman1, Hasan Yıldırım2
1Department of Physiotherapy and Rehabilitation, Faculty of Health Sciences, Karamanoglu Mehmetbey University, Karaman, Turkey.
Medicine
|October 28, 2024
概括
机器学习使用临床测量,如疼痛和口腔打开,准确地预测关节障碍 (TMD). 这种方法有助于早期发现TMD,特别是当先进的诊断无法使用时.
科学领域:
- 生物医学工程 生物医学工程
- 在医疗保健中的数据科学.
- 临床诊断 临床诊断 临床诊断
背景情况:
- 诊断时部疾病 (TMD) 可能具有挑战性,特别是在资源有限的临床环境中.
- 客观和可量化的临床参数对于开发可靠的诊断工具至关重要.
研究的目的:
- 开发和验证机器学习 (ML) 模型,以使用现有的临床测量来预测TMD.
- 为了确定最重要的临床参数来准确预测TMD.
主要方法:
- 评估了125名TMD患者和103名对照者的临床数据,包括疼痛强度,运动范围,压力疼痛值和心理状态.
- 应用并优化了超过20个ML算法,采用了广泛的参数调整和交叉验证.
- 使用包装算法与多变量自适应回归支线 (MARS) 作为表现最好的模型.
主要成果:
- 包装-MARS模型获得了高性能 (精度=0.8966,AUC=0.9387,F1分数=0.9032).
- 发现的关键预测因素是疼痛强度,最大口腔开口,侧向外流和肌压力疼痛值.
- 变量重要性分析突出了对TMD预测至关重要的特定临床测量.
结论:
- 拟议的ML模型,使用临床参数,为TMD检测提供了强大的和可访问的方法.
- 这种方法可以帮助临床医生,特别是那些经验有限或诊断工具有限的临床医生,在初步的TMD识别中.
- 该研究表明,将ML与临床评估相结合,可以改善TMD管理的潜力.
