使用机器学习模型预测贝尔麻的康复度

科学领域:

• 神经学 神经学
• 医疗信息学 医疗信息学

背景情况:

• 贝尔麻,或面部神经麻 (FNP),经常解决,但一些患者经历不完全的恢复.
• 目前的评估工具难以准确预测结果,特别是在中度FNP病例中.
• 机器学习 (ML) 提供了利用历史数据预测临床结果的潜力.

研究的目的:

• 在FNP患者中开发ML模型来预测可接受的恢复和House-Brackmann (H-B) 等级.
• 使用支持矢量机 (SVM) 和长短期内存 (LSTM) 算法进行结果预测.
• 提高预后准确性,以指导FNP治疗和康复.

主要方法:

• 收集了FNP患者的House-Brackmann (H-B) 序列等级和其他临床数据.
• 开发和训练SVM和LSTM模型来预测恢复状态和H-B等级.
• 使用精度和平均绝对误差 (MAE) 度量标准验证模型性能.

主要成果:

• 在预测可接受的FNP恢复方面取得了0.903的准确性.
• 在基于访问的预测中,获得了每H-B等级大约0.46的平均绝对误差 (MAE).
• 在预测FNP等级随时间变化方面表现出高准确度.

结论:

• 机器学习模型,特别是SVM和LSTM,可以准确预测FNP恢复和严重程度.
• 早期和准确的预后对于管理FNP的社会和情感影响至关重要.
• 开发的ML模型可以帮助临床医生在患者咨询和治疗规划方面.