一个多式机器学习算法提高了学校年龄的土著人口中中耳炎的诊断准确度
Jacqueline H Stephens1, Phong Phu Nguyen2, Amanda Machell3
1Flinders University, College of Medicine and Public Health, Flinders Health and Medical Research Institute, Adelaide, Australia.
Journal of biomedical informatics
|February 19, 2025
概括
结合耳部感染诊断数据可以提高准确性. 在机器学习模型中整合耳视镜和耳 tympanometry 增强了儿童中耳炎 (OM) 的早期检测,有助于及时治疗.
科学领域:
- 医学诊断 医学诊断 医学诊断
- 医疗保健中的人工智能
- 儿科耳鼻喉科 儿科耳鼻喉科
背景情况:
- 中耳炎 (OM) 是一种常见的耳部感染,可导致儿童严重听力损失和发育迟缓.
- 准确诊断OM及其子组是具有挑战性的,即使对于经验丰富的临床医生.
- 目前对OM的AI诊断工具通常集中在单个数据类型上,限制了它们的全面诊断能力.
研究的目的:
- 确定结合耳视镜和耳 tympanometry 数据是否可以提高机器学习 (ML) 算法的诊断准确性.
- 评估ML算法在诊断OM各种子组的有效性.
主要方法:
- 利用了一组数据集,其中包括来自偏远南澳大利亚813名学龄儿童的15057个匹配的视频耳视镜和耳 tympanometry样本.
- 雇佣了支持矢量机器模型来开发ML诊断系统.
- 使用单独耳视镜数据与联合耳视镜和耳 tympanometry 数据进行诊断准确性的比较.
主要成果:
- ML算法的诊断准确度从仅使用耳视镜数据的78%增加到将 tympanometry 数据纳入时的82%.
- 将 tympanometry 数据与 otoscopy 概率预测结合起来,可以提高诊断性能.
结论:
- 整合耳视镜和耳 tympanometry 数据显著提高了对中耳炎的ML算法的诊断准确性.
- 这种综合数据方法提供了一个有前途的工具,以支持准确的儿童OM诊断.
- 这些发现特别适用于改善农村和偏远地区的及时诊断和治疗.
