机器学习分类器的开发和验证,用于预测早产需要治疗的视网膜病变
Nasser Shoeibi1, Majid Abrishami1, Seyedeh Maryam Hosseini1
1Eye Research Center, Mashhad University of Medical Sciences, Mashhad, Iran.
BMC medical informatics and decision making
|July 2, 2025
概括
机器学习模型可以识别需要治疗早产儿视网膜病变 (ROP) 的早产婴儿. 天真贝叶斯模型显示了最高的灵敏度,对于新生儿的临床决定至关重要.
科学领域:
- 医疗信息学 医疗信息学
- 新生儿科学 新生儿科学
- 医疗保健中的机器学习
背景情况:
- 早产儿视网膜病变 (ROP) 是早产儿的一个重大问题.
- 准确识别需要ROP治疗的新生儿对于及时干预至关重要.
研究的目的:
- 设计和评估用于ROP治疗识别的监督机器学习模型.
- 通过对过早出生婴儿进行查的人口统计和临床数据来评估模型性能.
主要方法:
- 对9692名被查ROP的婴儿进行了回顾性审查.
- 提取11个人口和临床特征.
- 开发和评估八个机器学习分类器 (LR,DT,SVM,NB,KNN,XGBoost,ANN,RF).
主要成果:
- XGBoost和人工神经网络 (ANN) 实现了96%的准确性.
- 纯粹的贝叶斯 (NB) 显示出最高的灵敏度 (0.99),显示出最低的虚假负率.
- 具有高灵敏度的模型在临床上是首选的,用于识别需要ROP治疗的新生儿.
结论:
- 人工智能工具可以增强ROP管理中的临床决策.
- 模型的输出应该补充,而不是取代临床判断.
- 临床医生必须将人工智能见解与整体患者评估相结合,以最终的治疗决定.
