开发和验证一种机器学习方法来选新的麻风病例,该方法基于麻风病嫌疑问卷问卷
Mateus Mendonça Ramos Simões1,2, Filipe Rocha Lima1,2,3, Helena Barbosa Lugão1,2
1Dermatology Division, Department of Internal Medicine, National Referral Center for Sanitary Dermatology and Hansen's Disease, Clinical Hospital of the Ribeirão Preto Medical School, University of São Paulo, São Paulo, Brazil.
Scientific reports
|February 26, 2025
概括
一个新的机器学习工具,MaLeSQs,有助于积极寻找麻风病例. 它识别了需要进一步评估的个体,改善了对这种神经损伤性疾病的早期发现.
科学领域:
- 皮肤病学和神经病学
- 医疗信息学 医疗信息学
- 公共卫生 公共卫生
背景情况:
- 麻风是一种严重的皮肤神经疾病,会导致不可逆转的神经损伤.
- 低诊断源于其多样化的表现模仿其他条件和医疗保健专业培训差距.
- 世界卫生组织 (WHO) 为其零麻风症战略促进了活跃病例检测.
研究的目的:
- 开发MaLeSQs,一种机器学习工具,用于增强麻风病嫌疑问卷 (LSQ) 以检测活跃的麻风病例.
- 创建一个查工具,输出LSQ阳性或LSQ阴性,用于进一步的临床评估指导.
- 提高麻风查倡议的效率和影响力.
主要方法:
- 训练了四个机器学习分类器:支持向量机器,物流回归,随机森林和XGBoost.
- 评估分类器使用灵敏度,特异性,正预测值,负预测值和ROC曲线面积.
- 使用Shapley值来确定病预测中的变量重要性.
主要成果:
- 支持向量机器分类器实现了最平衡的性能指标.
- 选择的支持矢量机模型的关键指标包括85.7%的灵敏度,69.2%的特异性和0.775 AUC.
- 神经症状被确定为区分潜在麻风病例的关键预测因素.
结论:
- 由支持向量机器供电的MaLeSQs是疾查的有效工具.
- 该工具有助于识别需要进一步临床评估麻风的个体.
- 机器学习应用程序在加强公众健康战略方面显示出有前途,用于治疗像麻风等被忽视的热带疾病.
更多相关视频
12:18A Machine Learning Approach to Design an Efficient Selective Screening of Mild Cognitive Impairment
Published on: January 11, 2020
7.4K
10:32Optimized Protocols for Mycobacterium leprae Strain Management: Frozen Stock Preservation and Maintenance in Athymic Nude Mice
Published on: March 23, 2014
14.9K
