人工智能辅助的登革热和小孔古尼亚的区分使用大,不平衡的流行病学数据

科学领域:

• 医疗信息学 医疗信息学
• 流行病学 流行病学
• 医疗保健中的人工智能

背景情况:

• 登革热和 chikungunya 是共同循环的树状病毒疾病,症状重叠,使得在特有地区的诊断复杂化.
• 准确和及时的区分至关重要,特别是在缺乏实验室设施的低资源环境中.

研究的目的:

• 开发和评估机器学习 (ML) 和深度学习 (DL) 模型,用于分类登革热,小孔古尼亚和废弃病例.
• 评估人工智能驱动的决策支持工具对资源有限的前线医疗保健工作者的实用性.

主要方法:

• 利用了来自巴西 (2013-2020年) 超过670万条条目的大规模数据集.
• 应用合成少数群体过量采样技术 (SMOTE) 对于阶级不平衡.
• 训练了6个ML模型和一个人工神经网络 (ANN),使用人口,临床和并发症特征.

主要成果:

• 随机森林模型实现了高的多类分类性能 (回忆:0.9288,AUC:0.9865).
• 人工神经网络 (ANN) 模型证明了极好的奇孔尼亚识别 (回忆:0.9986,AUC:0.9283).
• 外部验证证实了模型的通用性,特别是在区分废弃病例时.

结论:

• 开发了高精度的ML/DL模型,使用例行收集的数据来区分登革热和奇孔古尼亚热.
• 这些人工智能模型可以作为医疗保健工作者在资源不足地区的决策支持工具.
• 支持一个健康的方法,以改善被忽视的热带疾病的监测和诊断.