临床决策支持前庭诊断:大规模的机器学习与实践经验指导

科学领域:

• 神经学 神经学
• 医疗信息学 医疗信息学

背景情况:

• 由于复杂的症状和漫长的患者病史要求,诊断前庭障碍是具有挑战性的.
• 机器学习 (ML) 在医学诊断中的应用是有前途的,但它们在分类前体疾病中的使用是有限的.

研究的目的:

• 开发和评估一个CatBoost ML模型,用于分类六种常见的前体疾病.
• 将算法特征选择与临床专业知识相结合,以提高诊断准确度.

主要方法:

• 一个回顾性患者数据集被用来训练一个CatBoost ML模型.
• 使用递归特征消除支持矢量机 (RFE-SVM),SKB分数和专家临床知识来选择50个临床特征.
• 该模型的设计是针对常见疾病 (例如,良性发性定位[BPPV],垂直视线偏头痛[VM]) 的高灵敏度和复杂疾病 (例如,梅尼尔氏病[MD],持续的姿势感知头[PPPD]) 的高特异性.

主要成果:

• CatBoost模型在测试数据上实现了88.4%的整体准确性.
• 分类分解包括60.9%的正确分类,27.5%的部分正确分类和11.6%的不正确分类.
• 该模型显示了在前体障碍诊断中支持临床决策的潜力.

结论:

• 机器学习,当与临床专业知识相结合时,可以有效支持前体障碍的诊断.
• 开发的模型在区分各种前庭状况方面显示出前途,可能减少不必要的侵入性治疗.