机器学习模型的临床应用,用于早期慢性病检测
Hasnain Iftikhar1,2, Atef F Hashem3, Moiz Qureshi2,4
1Department of Statistics, University of Peshawar, Peshawar 25120, Pakistan.
机器学习 (ML) 模型可以准确预测慢性病 (CKD) 的早期发展. 整体ML方法表现出卓越的性能,为及时的临床决策和改善患者结果提供了有价值的工具.
科学领域:
- 腎臟病學 (nephrology) 是一種醫學專業.
- 人工智能的人工智能
- 生物医学信息学 生物医学信息学
背景情况:
- 慢性病 (CKD) 是一种进展性疾病,影响废物清除和液体平衡.
- 早期发现CKD对于减缓其进展和及时介入至关重要.
- 机器学习 (ML) 为疾病诊断和预后提供了自动化解决方案.
研究的目的:
- 评估个人和集体ML算法的预测性能,用于早期CKD分类.
- 为了比较各种ML模型,包括后勤回归,LDA,QDA,梯分类器,天真贝叶斯,KNN,DT,RF,SVM和整体策略.
- 评估ML在支持CKD临床决策方面的有效性.
主要方法:
- 利用临床注释数据集将患者分为CKD和非CKD组.
- 实施了系统的预处理管道来准备数据.
- 评估模型性能使用准确度,精度,回忆,F1分数和AUC.
主要成果:
- 基于ML的分类器在检测CKD时表现出高的预测准确性.
- 与单个模型相比,集体学习方法表现出更高的稳定性和概括性.
- 这些发现表明ML在CKD临床决策中的潜力.
结论:
- 基于ML的框架对于早期CKD预测是有效的.
- 拟议的方法提供了一个可扩展,可解释和准确的临床决策支持方法.
- 这种方法可以帮助医疗保健专业人员及时诊断并改善患者的治疗结果.
更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
相关概念视频
Chronic Kidney Disease I: Introduction
Chronic Kidney Disease III: Interprofessional Care
Drug Dosing in Renal Diseases: Estimation of Glomerular Filtration Rate Based on Serum Creatinine Concentration
Chronic Kidney Disease II: Clinical Manifestations
Chronic Kidney Disease IV: Nursing Management
Acute Kidney Injury IV: Diagnostic Studies and Prevention
