使用机器学习技术检测儿科发育迟缓

科学领域:

• 儿科医学 儿科医学
• 医疗保健中的机器学习
• 发育儿科 发育儿科

背景情况:

• 早期识别发育迟缓 (DD) 的儿童对于通过及时干预来改善结果至关重要.
• 目前的诊断方法可能是昂贵和先进的,突出了需要可访问的查工具.
• 治疗访问频率代表了预测DD的潜在低成本数据源.

研究的目的:

• 为了研究使用治疗访问频率 (身体,职业,语言治疗) 来预测儿童发育迟缓的有效性.
• 根据历史治疗数据开发和评估用于预测DD的机器学习模型.
• 建立一种具有成本效益的查方法,用于查处于发育迟缓风险的儿童.

主要方法:

• 利用了2,552名门诊患者的数据集,其中来自台湾医院的34,862次访问 (2012-2016).
• 开发并比较了三种机器学习模型:深度神经网络 (DNN),支持矢量机器 (SVM) 和决策树 (DT).
• 使用F1得分,灵敏度和正预测值评估模型性能.

主要成果:

• 决策树 (DT) 模型表现出卓越的性能,特别是当优先考虑高灵敏度时.
• 性能最好的DT模型实现了0.902的灵敏度和0.723.72的正预测值.
• 根据治疗频率,DT模型在预测发育延迟方面表现优于DNN和SVM模型.

结论:

• 治疗访问频率是儿童发育迟缓的有价值预测指标.
• 机器学习模型,特别是决策树,可以有效地利用这些易于获得的数据预测DD.
• 这些具有成本效益的预测模型在早期DD查和干预中具有广泛临床应用的巨大潜力.