基于决策树的学习和实验室数据挖掘:一种高效的阿米比亚सिस测试方法
Enas Al-Khlifeh1, Ahmad S Tarawneh2, Khalid Almohammadi3
1Department of Applied Biology, Al-Balqa Applied University, Salt, Jordan. Al-khlifeh.en@bau.edu.jo.
Parasites & vectors
|January 29, 2025
概括
机器学习使用电子医疗记录准确预测阿米比亚सिस,比传统显微镜更好地进行诊断. 这有助于区分寄生虫感染和胃肠炎.
科学领域:
- 医疗信息学医学信息学
- 计算生物学是一种计算生物学.
- 寄生虫学的寄生虫学
背景情况:
- 阿米比亚सिस是一种全球性的健康问题,通常通过显微镜诊断,可以与胃肠炎混.
- 准确的诊断至关重要,特别是在感染率高的发展中国家.
研究的目的:
- 开发一种机器学习 (ML) 模型,用于准确预测阿米比亚सिस.
- 利用实验室发现和人口统计数据进行自动诊断.
主要方法:
- 在约旦电子医疗记录 (2020-2022) 上训练了八个决策树算法.
- 包括763个阿米比克和314个非阿米比克病例,分析人口统计,临床症状和实验室结果.
- 使用特征排名和相关性来提高分类准确性.
主要成果:
- 阿米比亚सिस的关键预测因素包括中性粒细胞百分比,粘液存在以及便中的红细胞/白细胞计数.
- 决策树模型达到了92%-94.6%的准确度;优化的随机森林模型显示了98%的AUC.
- 在约旦,阿米比亚斯占胃肠炎病例的17.22%,男性和幼儿的发病率更高.
结论:
- 应用于电子医疗记录的机器学习准确地预测了amebiasis.
- 这支持了ML作为诊断寄生虫疾病的决策支持工具的作用.
