机器学习模型的开发,以预测喉回流病的治疗反应
Su Il Kim1, Young-Gyu Eun2, Young Chan Lee3
1Department of Otolaryngology-Head and Neck Surgery, Kyung Hee University School of Medicine, Kyung Hee University Hospital at Gangdong, Seoul, Korea.
Journal of voice : official journal of the Voice Foundation
|March 30, 2025
概括
机器学习模型可以预测喉回流病 (LPRD) 的治疗成功. 影响反应的关键因素包括近位逆流时间和弱酸暴露,有助于个性化LPRD管理.
科学领域:
- 耳鼻喉科 耳鼻喉科 耳鼻喉科
- 胃肠病学 胃肠病学
- 计算医学是一种计算医学.
背景情况:
- 喉回流性疾病 (LPRD) 是一个重大的临床挑战,需要有效的治疗策略.
- 了解影响治疗反应的因素对于优化LPRD管理中的患者结果至关重要.
研究的目的:
- 开发和验证用于预测LPRD治疗反应的机器学习模型.
- 确定影响LPRD治疗结果的关键人口和诊断参数.
主要方法:
- 用质子抑制剂治疗的LPRD患者的回顾性分析,反应被定义为反流症状指数得分减少≥50%.
- 应用四种机器学习模型 (逻辑回归,随机森林,支持矢量机,梯度增强) 使用人口统计和24小时多通道内阻抗 (MII) -pH监测数据.
- 使用独立数据集对模型性能进行内部和外部验证.
主要成果:
- 所有四种机器学习模型都在LPRD中表现出可比的治疗反应预测性能.
- 后勤回归模型获得了最高的准确性 (82.98%内部,84.91%外部) 和F1得分 (88.24%内部,86.21%外部).
- 临近总反流时间和弱酸时间被确定为影响治疗反应的重要因素.
结论:
- 机器学习模型为预测LPRD患者治疗反应提供了有价值的工具.
- 识别诸如反流时间和酸度等关键影响因素可以完善LPRD管理策略.
- 将机器学习纳入临床实践有望改善LPRD治疗结果.


