儿童特征选择和预测注意力缺陷/多动障碍管理中的Tuina:基于家长报告的儿童宪法的机器学习方法

科学领域:

• 综合医学是一个整体的医学.
• 儿科神经学 儿科神经学
• 计算生物学是一种计算生物学.

背景情况:

• 注意缺陷/多动障碍 (ADHD) 是儿童中普遍存在的神经发育障碍.
• 儿科tuina是一种传统中医疗 (TCM) 疗法,在治疗ADHD症状方面表现有前途.
• 整合机器学习 (ML) 可以个性化tuina治疗,以改善家长主导的管理.

研究的目的:

• 开发一种基于ML的模型,用于预测ADHD的个性化儿科tuina治疗.
• 确定TCM模式识别和个性化ADHD管理的关键特征.
• 评估ML模型在指导量身定制的tuina干预措施中的有效性.

主要方法:

• 一个ML模型分析了1005名ADHD儿童的父母报告的宪法数据.
• 使用SVM,LR,MLP和RF等模型进行了特征选择.
• 该研究的重点是确定TCM模式诊断和治疗个性化相关特征.

主要成果:

• 机器学习模型展示了针对个性化tuina治疗的强有力的预测能力.
• 多层感知器 (MLP) 模型实现了最高的曲线下面积 (AUC) 0.90和精度 (ACC) 0.74.
• 总共选择了七个关键特征,使得有针对性的儿科tuina应用成为可能.

结论:

• 一种基于ML的方法成功地被开发出来,通过个性化的儿科培训来增强ADHD的管理.
• 该研究确定了TCM模式识别的七个关键特征,指导个性化治疗策略.
• ML,特别是MLP,显著改善了对儿科ADHD有效的Tuina干预措施的预测.