聊天GPT辅助机器学习用于慢性疾病分类和预测:一个发展和验证研究
Sumira Abbas1, Mahwish Iftikhar2, Mian Mufarih Shah2
1Department of Pathology, Peshawar Medical College, Peshawar, PAK.
Cureus
|January 17, 2025
概括
机器学习模型,包括随机森林,显示出预测慢性疾病如CKD和心脏病的前景. 聊天GPT协助优化这些模型,以获得更好的准确性和特征选择.
科学领域:
- 医疗信息学 医疗信息学
- 计算生物学 计算生物学
- 医疗保健中的机器学习
背景情况:
- 慢性疾病 (CKD,CLD,结核病,痴呆症,心脏病) 是全球主要的健康问题.
- 早期诊断和干预对于改善患者的结果和降低医疗保健成本至关重要.
研究的目的:
- 评估机器学习 (ML) 模型在分类和预测慢性疾病中的有效性.
- 探索ChatGPT在增强ML模型开发中对疾病预测的作用.
主要方法:
- 一项前性观察性研究,涉及5种慢性疾病类别的260名患者.
- 使用后勤回归,随机森林和支持矢量机器,ChatGPT协助功能选择和超参数优化.
- 采用十倍交叉验证,并使用准确度,灵敏度,特异性,精度,回忆,F1得分和AUC-ROC来评估模型.
主要成果:
- 随机森林模型在预测CKD (85.3%) 和心脏病 (88.2%) 中取得了很高的准确性.
- 物流回归有效地预测了结核病 (80.1%) 和痴呆症 (82.4%).
- 血红蛋白和红细胞沉率被确定为关键预测参数.
结论:
- 机器学习算法,特别是随机森林,显示了慢性疾病分类和预测的巨大潜力.
- 通过优化功能选择和超参数调整,ChatGPT集成改善了ML模型开发.
- 未来的研究应该优先考虑通过多中心研究和前性临床试验进行外部验证.
