血液学数据改善了人工智能模型对关节疾病的长期预测准确度
Moon Jong Kim1, Taegun An2, Il-San Cho3
1Department of Oral Medicine, Gwanak Seoul National University Dental Hospital, Seoul, Republic of Korea.
Journal of oral rehabilitation
|May 15, 2025
概括
人工智能模型可以使用临床和血液学数据预测关节障碍 (TMD) 的结果. 整合系统性炎症标记物可以提高预测准确度,从而改善临床决策.
科学领域:
- 生物医学信息学是生物医学信息学.
- 医疗保健中的人工智能
- 口腔和大面部外科手术
背景情况:
- 部疾病 (TMD) 在预测长期治疗结果方面提出了复杂的挑战.
- 当前的预测模型往往缺乏全面的数据集成.
- 系统性炎症在TMD预后中的作用需要进一步阐明.
研究的目的:
- 开发和评估一种人工智能 (AI) 模型,用于预测TMD患者的长期治疗结果.
- 评估结合血液学数据对TMD人工智能模型预测准确性的影响.
- 确定关键的临床和血液学特征,这些特征对于准确的TMD预后至关重要.
主要方法:
- 利用了在2013年至2019年期间治疗的132名TMD患者的医疗记录.
- 采用决策树算法进行特征选择,然后使用深度神经网络 (DNN) 进行模型开发.
- 使用精度和F1得分指标评估模型性能.
主要成果:
- 决策树模型实现了90.6%的准确性和F1得分为0.800.
- 主观疼痛特征和系统性炎症的血液学标记被确定为重要的预测因素.
- 随着血液学特征的添加,DNN模型的预测性能得到了改善,达到90.6%的准确性和0.769.1的F1得分.
结论:
- 机器学习模型显示出预测长期TMD预后的巨大潜力.
- 整合主观疼痛评估和全身血液学标记器可以增强TMD的诊断系统.
- 这些发现支持基于病因学的诊断系统的发展,以改善TMD的临床决策和预后预测.
