开发和评估一种多模型堆叠方法,用于使用监督机器学习对成年人虫风险的评估

科学领域:

• 计算机牙科是指计算机牙科.
• 医疗保健中的人工智能
• 在公共卫生领域的预测分析.

背景情况:

• 牙损是一种常见的慢性疾病,需要有效的管理来预防并发症并降低医疗保健成本.
• 目前的虫风险评估方法严重依赖临床医生的专业知识,这给可扩展性和标准化带来了挑战.
• 机器学习 (ML) 为开发高效和标准化的虫风险评估工具提供了一个有希望的途径.

研究的目的:

• 开发和评估利用机器学习的计算模型,用于预测成人牙损伤风险.
• 为了比较各种ML算法在分类脏病风险水平方面的性能.
• 确定最有效的ML方法,将其整合到临床牙科工作流程中.

主要方法:

• 一项系统性审查确定了七个关键预测因素,用于虫风险评估.
• 利用来自3000名MARA患者记录的数据,在低,中等和高虫风险类别中进行了平衡.
• 七个ML算法 (决策树,XGBoost,k-NN,后勤回归,MLP,随机森林,SVM) 使用K折交叉验证和堆叠集体进行了实现和优化.

主要成果:

• 一个由两种模型组成的堆叠组合实现了最高的精度 (95.17%) 和ROC-AUC (99.78%).
• 采用三种模型的堆叠方法,表现出强的性能,准确率为93.63%,特异性为96.82%.
• 在单个模型中,随机森林 (90.47%准确率) 和极端梯度提升 (90.20%准确率) 显示出强大的分类能力.

结论:

• 多模型ML方法为牙损伤风险评估提供高度准确和可靠的预测.
• 这些计算方法可以减少对主观临床判断的依赖,促进标准化风险评估.
• 将ML整合到临床工作流程中可以显著提高牙科预防策略和患者护理结果.