量化计算机辅助诊断得分对功能性发作的临床诊断的影响

科学领域:

• 神经学 神经学
• 人工智能在医学中的应用
• 临床诊断 临床诊断 临床诊断

背景情况:

• 在没有视频脑电图的情况下诊断功能/离散性 (FDS) 是具有挑战性的.
• 功能性/离散性发作概率评分 (FSLS) 是一种机器学习工具,旨在帮助临床医生诊断FDS.
• 评估人类在循环中的FSLS实施对临床医生的诊断绩效对FDS与发作 (ES) 的影响至关重要.

研究的目的:

• 评估一个人-在-循环FSLS是否改善临床医师在区分FDS和ES的表现.
• 为了确定哪些临床医生群体从FSLS协助中获益最多.

主要方法:

• 使用了117个匿名的FDS,ES,同时发生的发作或生理事件的病例.
• 临床医生审查了基于文本的临床病史,其次是FSLS,并做出诊断决策.
• 混合模型和后勤回归被用来根据诊断性能模式对参与者进行分组.

主要成果:

• 163名读者评估了1142个案例,其中90%的表现高于机会.
• 接受了更多发作培训的临床医生表现出更高的准确性 (病学家67%,心理健康临床医生52%).
• 两组 (66%的读者) 在FSLS的帮助下显著提高了准确性 (12-15%),表明决策能力得到了增强.

结论:

• 虽然正式的发作训练与更好的FDS诊断相关,但不能保证高准确度.
• 对于66%的临床医生来说,FSLS有效地提高了决策能力,帮助他们调整诊断.
• 未来在FDS诊断中实现机器学习应该针对特定的临床场景,以最大限度地支持临床医生的决策.