机器学习的应用,用于在非洲早期发现慢性疾病

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的人工智能
• 公共卫生技术 公共卫生技术

背景情况:

• 糖尿病等慢性疾病对非洲的公共卫生系统构成重大挑战,通常是由于诊断迟到.
• 早期检测对于管理慢性疾病和改善患者的治疗结果至关重要.
• 这项研究的重点是利用机器学习 (ML) 在非洲背景下用于早期糖尿病检测.

研究的目的:

• 探索ML算法用于早期发现糖尿病的应用.
• 评估和比较各种ML模型的性能,使用本地化的非洲数据集.
• 评估在资源有限,基于边缘的场景中部署ML模型的可行性.

主要方法:

• 使用了一个设计科学研究方法.
• 评估了几种ML算法,包括决策树,支持矢量机器,天真贝耶斯和神经网络 (NN).
• 进行了数据预处理和超参数调整,以优化边缘部署的模型性能.

主要成果:

• 最优化的神经网络 (NN) 模型显示了最高的准确率89%.
• 该NN模型的延迟最小 (1ms) 和内存使用低 (1kB RAM),表明适合边缘设备.
• 这些发现表明,在资源有限的非洲医疗保健环境中实施ML解决方案的可行性.

结论:

• 边缘部署的ML模型具有显著的潜力,可以支持在非洲早期发现慢性疾病.
• 建议进行进一步的研究,重点关注监管调整,伦理考虑和多站点验证研究.
• 这项工作为未来的,更大规模的,跨区域的关于非洲公共卫生ML的调查奠定了基础.