在多个中心的新生儿肠道疾病的基于机器学习的诊断模型:一个横截面的研究协议.
Qi Zhao1,2, Qian Gao1,2, Xiang Guo3
1Department of Pediatrics, West China Second University Hospital, Sichuan University, Chengdu, Sichuan, China.
BMJ open
|May 15, 2025
概括
这项研究开发了一种机器学习模型,使用肠声分析来诊断新生儿肠道疾病,旨在比手工方法更早,更准确地检测. 模型 模型的模型
科学领域:
- 新生儿医学 新生儿医学
- 生物医学工程 生物医学工程
- 医疗保健中的人工智能
背景情况:
- 新生儿肠道疾病需要早期检测以改善结果.
- 对肠道功能的肠声 (BSs) 的手动评估是不一致的.
- 开发针对新生儿肠道疾病的客观诊断工具至关重要.
研究的目的:
- 开发和验证一种机器学习 (ML) 模型,用于使用BS分析诊断新生儿肠道疾病.
- 将ML模型的诊断准确性与手动临床评估进行比较.
主要方法:
- 一项涉及有或没有肠道疾病的新生儿的横截面诊断研究.
- 使用3M耳语镜 (Littmann 3200) 收集的肠道声音.
- 模型开发和内部验证 (7:3比),随后在多家医院进行外部验证.
主要成果:
- 这项研究旨在将ML模型的诊断准确性与手动评估进行比较.
- 临床诊断作为比较的黄金标准.
- 结果将突出ML模型的表现与不同经验水平的医生相比.
结论:
- 使用BS分析的基于ML的新方法显示了准确的新生儿肠道疾病诊断的前景.
- 这项技术可以增强早期检测并改善患者的预后.
- 进一步验证对于将该工具纳入临床实践至关重要.
