使用机器学习在关节障碍治疗响应者中的预后因素识别
Chollada Chamnanmanoontham1, Thanaphon Tangchoopong2, Jarin Paphangkorakit1
1Department of Oral Biomedical Sciences, Faculty of Dentistry, Khon Kaen University, 40002 Khon Kaen, Thailand.
Journal of oral & facial pain and headache
|December 23, 2025
概括
机器学习确定了关键因素,如疼痛持续时间和焦虑影响关节障碍 (TMD) 治疗结果. 这有助于个性化护理,使患者更好地准备出院.
科学领域:
- 医疗信息学医学信息学
- 计算生物学是一种计算生物学.
- 临床研究是临床研究.
背景情况:
- 部疾病 (TMD) 是一种复杂的慢性疾病,影响生活质量.
- 对于TMD治疗成功的预后因素还没有得到很好的定义.
- 这项研究的重点是预测患者在TMD治疗中是否准备好出院.
研究的目的:
- 确定TMD患者治疗反应的预后因素.
- 利用机器学习来预测患者出院准备情况.
- 增强 TMD 的个性化管理策略.
主要方法:
- 对1050名TMD患者记录 (2018-2023) 的回顾性分析.
- 提取并预处理了36个临床和人口特征.
- 训练了七个机器学习算法 (随机森林,XGBoost等). 预测排放准备情况.
主要成果:
- 随机森林模型在预测排放准备度方面显示了最高准确度 (0.7901).
- 确定的主要预测因素包括发病时间,疼痛严重程度,焦虑,部疼痛和BMI.
- SHAP分析为影响性预后因素提供了可解释性.
结论:
- 确定的预后因素强调了TMD的多维性质.
- 机器学习集成可以改善TMD的临床决策.
- 可以为TMD开发个性化和有效的治疗途径.
