对调查婴儿养困难的研究进行系统审查:专注于机器学习应用程序
Eun Sun Ji1, Kyoung Ju Lee2, Yoon Chung Chung3
1Professor, Department of Nursing, Konkuk University Glocal Campus, Chungju, South Korea.
概括
机器学习在分析婴儿养行为以识别困难方面表现有前途. 需要进一步的研究来标准化方法,并加强这些预测模型的临床应用.
科学领域:
- 生物医学工程 生物医学工程
- 儿科 儿科 儿科
- 人工智能的人工智能
背景情况:
- 婴儿养困难带来了重大的临床挑战.
- 机器学习 (ML) 为客观评估婴儿养提供了潜力.
- 在这个领域对ML应用的系统审查至关重要.
研究的目的:
- 系统地审查使用ML用于婴儿养困难的研究.
- 评估ML方法的临床适用性.
- 在婴儿养评估中识别当前ML方法的局限性.
主要方法:
- 为了进行全面的文献搜索,遵循了PRISMA指南.
- 分析了使用ML治疗婴儿养困难的研究.
- 包括专注于基于传感器的生理信号测量的研究.
主要成果:
- 十项研究在选1,104.4后满足了纳入标准.
- ML被用来通过生理信号 (吸,吞,呼吸) 来分类/预测食困难.
- 常见的ML算法 (SVM,KNN,DT) 显示了很高的分类准确性.
结论:
- 所有研究都使用了传感器数据,但直接ML应用有限 (4项研究).
- 测量标准化和算法验证对于临床实用性至关重要.
- 未来的研究应该专注于扩大直接ML应用和提高可靠性.
