基于机器学习的多参数建模用于预测炎症后肺部变化的预测

科学领域:

• 肺部医学 肺部医学
• 医疗保健中的人工智能
• 数据科学数据科学数据科学

背景情况:

• 预测COVID-19等肺部感染后的肺功能缺陷通常是不准确的.
• 肺功能测试 (LFT) 和胸部成像对于评估感染后的肺部变化至关重要.
• 现有的方法可能无法完全捕捉肺部恢复的复杂性.

研究的目的:

• 开发和验证机器学习 (ML) 模型,用于预测COVID-19后的肺功能缺陷.
• 用多参数方法识别肺功能受损的关键预测因素.
• 将ML模型的性能与传统评估进行比较.

主要方法:

• 从140名COVID-19幸存者的前性数据收集 (CovILD研究).
• 利用肺功能测试,人工智能驱动的胸部CT分析 (密度,严重程度得分),人口统计和症状.
• 开发和评估了四个ML算法 (随机森林,GBM,NN,SVM) 用于LFT预测.

主要成果:

• 模型准确地预测了一氧化碳 (DLCO) 的减少扩散能力,准确度为82-85%,AUC为0.87-0.9.9.
• 像不透明度和严重程度等CT衍生的特征是DLCO损伤的重要预测因素.
• 没有建立可靠的模型来预测FEV1或FVC.

结论:

• 集成AI增强CT数据的多参数ML模型可靠地预测LFT缺陷.
• 这种由人工智能驱动的方法优于单个标记和人类放射科医生的评估.
• 这些模型显示了改善COVID-19后肺部并发症的诊断和个性化治疗策略的潜力.