使用机器学习在BPPV治疗中的机动数量的预测建模
Mine Baydan-Aran1, Kübra Binay-Bolat1, Emre Söylemez2
1Department of Audiology, Ankara University, Ankara, Türkiye.
概括
机器学习模型可以预测患有良性发性定位 (BPPV) 的患者是否需要多于一个动作来治疗. 这有助于规划护理和改善BPPV患者的治疗结果.
科学领域:
- 神经学 神经学
- 医疗信息学 医疗信息学
背景情况:
- 良性发性位置性 (BPPV) 通常需要多次治疗操作.
- 预测所需的机动次数对于有效的患者管理至关重要.
研究的目的:
- 利用机器学习 (ML) 识别BPPV患者多个道重新定位操作 (CRM) 的预测因子.
- 提高BPPV治疗要求的可预测性.
主要方法:
- 对520名BPPV患者 (2018-2023) 的回顾性研究.
- 收集的数据包括年龄,BPPV类型,并发症,性别和操纵次数.
- 评估了ML模型 (GBM,物流回归,XGBoost,SVC) 使用精度,F1分数,精度,回忆和AUC.
主要成果:
- 36%的患者需要一次机动,而67%的患者需要多于一次.
- 梯度增强机 (GBM) 显示出最佳的AUC用于机动数值估计.
- XGBoost获得了最好的F1和召回分数; 支持矢量分类器具有最高的准确性.
结论:
- 机器学习模型显示出高预测能力,用于识别需要多次操纵的BPPV患者.
- ML可以促进更有效的治疗计划,并改善BPPV管理中的患者结果.
