评估四种机器学习方法,从临床检查数据中预测正义取决定,并分析特征贡献

科学领域:

• ортодонтика和牙科信息学
• 医疗保健中的机器学习

背景情况:

• 准确的牙提取预测对于有效的正牙治疗计划至关重要.
• 在临床数据上使用机器学习 (ML) 可以提高诊断准确性.

研究的目的:

• 用四种ML方法预测牙拔牙的决策.
• 确定影响这些决定的关键临床特征,用于正牙计划.

主要方法:

• 收集了来自192名缺陷闭塞患者的临床数据.
• 应用决策树,随机森林,SVM和MLP模型.
• 使用交叉验证和混矩阵分析评估模型性能.

主要成果:

• 决策树模型实现了最高的准确性,特异性,精度和F1分数.
• 拥挤,侧面面部形状和下切肢倾斜被确定为重要的预测特征.
• 其他模型显示倾向于过度分类用于提取的案例.

结论:

• 决策树模型证明了使用临床数据进行提取预测的卓越性能.
• 临床因素,如拥挤,面部形状和切肢倾向,对于明智的提取决策至关重要.