开发和评估幼儿虫预测模型:基于深度学习的混合统计建模方法
S Z Eusufzai1, N B Jamayet2, S Ahmed3
1Department of Biostatistics, Universiti Sains Malaysia, Kota Bharu, Malaysia.
概括
这项研究开发了一种深度学习 (DL) 混合模型,以99.98%的准确度预测幼儿 (ECC). 关键的预测因素包括母亲的教育和父母对奶瓶养习惯的知识. 该模型有助于制定有针对性的ECC预防策略.
科学领域:
- 口腔健康 口腔健康
- 儿科牙科 儿科牙科
- 医疗保健中的人工智能
背景情况:
- 早期发现幼儿 (ECC) 对于有效的干预至关重要.
- 现有的预测模型可能缺乏公共卫生倡议所需的准确性和可解释性.
- 深度学习 (DL) 提供了在医疗保健中开发先进预测工具的潜力.
研究的目的:
- 开发和评估一种基于深度学习 (DL) 的新型混合统计模型,用于预测幼儿 (ECC).
- 确定与幼儿ECC风险相关的关键预测因素.
- 为ECC预测提供准确和可解释的工具.
主要方法:
- 在三年内 (2021年3月至2024年3月) 进行了一项计算横截面研究.
- 一种混合统计方法集成了引导方法,物流回归建模 (LRM) 和多层前神经网络 (MLFFNN).
- 从157对父母-子女对中收集了数据.
主要成果:
- 确定了重要的ECC预测因素:母亲的教育程度,父母对奶瓶养风险的了解,对口腔健康的态度以及儿童自我报告的口腔疼痛.
- 开发的DL模型实现了99.98%的高精度.
- 该模型表现出强大的预测性能,平均绝对偏差 (MAD) 为0.02211,预测平均平方误差 (PMSE) 为0.07909.
结论:
- 基于深度学习的混合模型是ECC预测的有效和高度准确的工具.
- 该模型的可解释性有助于理解ECC风险因素.
- 这些发现可以指导决策者设计针对性口腔健康干预措施以预防ECC.
