人工智能作为运动障碍的转变因素 - - 在高分辨率直肠测量中自动检测运动模式

科学领域:

• 胃肠病学 胃肠病学
• 医学成像分析 医学成像分析
• 人工智能在医学中的应用

背景情况:

• 高分辨率门测量 (HR-ARM) 对于评估门功能障碍至关重要,但面临着可访问性和数据分析挑战.
• 伦敦议定书和分类标准化了HR-ARM的解释,但客观分析仍然很复杂.
• 标准化和客观解释是改善对直肠功能障碍患者护理的关键.

研究的目的:

• 开发和验证人工智能 (AI) 模型,以使用HR-ARM数据识别和区分门声和收缩性障碍.
• 根据伦敦分类来评估机器学习 (ML) 算法的性能,对HR-ARM运动模式进行分类.
• 展示AI在提高HR-ARM分析的准确性和可访问性方面的潜力.

主要方法:

• 使用了701个HR-ARM考试的数据集,使用伦敦分类来分类.
• 数据集被分为用于ML模型开发和验证的培训 (80%) 和测试 (20%) 集.
• 测试了多个ML算法,使用准确度,灵敏度,特异性,预测值和ROC曲线来评估性能.

主要成果:

• LGBM分类器取得了最高的性能,在识别门音调和收缩能力障碍时准确率为87.0%.
• 特定的ML模型在区分特定的直肠运动障碍时显示了超过90.0%的准确性.
• 这项研究代表了对HR-ARM运动模式差异化ML模型的首次全球验证.

结论:

• 人工智能模型,特别是ML算法,在准确区分直肠运动模式与HR-ARM数据方面显示出重大前景.
• 开发的AI模型可以提高HR-ARM分析中的可用性并减少观察者之间的变化.
• 这项概念验证研究强调了人工智能在优化门功能障碍诊断过程中的价值.