Τεχνητή νοημοσύνη: Ένας αριθμός μοντέλων που βασίζονται στη μηχανική μάθηση, έχουν αναπτυχθεί για τον εντοπισμό του άσθματος μέσω της χρήσης αναδρομικών ηλεκτρονικών ιατρικών αρχείων (EMR) ασθενών.
Η συχνότητα εμφάνισης άσθματος στα παιδιά της Κίνας έχει αυξηθεί γρήγορα ως αποτέλεσμα της ανεπαρκούς διαχείρισης. Αυτό οφείλεται κυρίως στην αποτυχία πολλών παιδιάτρων πρωτοβάθμιας εκπαίδευσης να διακρίνουν το άσθμα από κοινές παθήσεις του αναπνευστικού, όπως η βρογχίτιδα και η πνευμονία. Τέτοιες λανθασμένες διαγνώσεις συχνά οδηγούν σε κατάχρηση αντιβιοτικών και συστηματικών γλυκοκορτικοειδών. Επιπλέον, εάν το άσθμα δεν διαγνωστεί έγκαιρα, η χρόνια φλεγμονή των αεραγωγών οδηγεί σε βλάβες που όχι μόνο εμποδίζουν τις αθλητικές ικανότητες των παιδιών, αλλά χρησιμεύουν ως η κύρια αιτία για χρόνιες παθήσεις των αεραγωγών ενηλίκων, όπως η χρόνια αποφρακτική πνευμονοπάθεια (ΧΑΠ).
Ένας αριθμός μοντέλων που βασίζονται στη μηχανική μάθηση, έχουν αναπτυχθεί για τον εντοπισμό του άσθματος μέσω της χρήσης αναδρομικών ηλεκτρονικών ιατρικών αρχείων (EMR) ασθενών. Αυτά τα μοντέλα αξιολογήθηκαν ανεξάρτητα χρησιμοποιώντας EMR τόσο από το Πνευμονολογικό Τμήμα όσο και από άλλα τμήματα του Νοσοκομείου Παίδων, της Ιατρικής Σχολής του Πανεπιστημίου Zhejiang, Κίνα.
Δύο ανεξάρτητα σετ δοκιμών εφαρμόστηκαν για την αξιολόγηση της απόδοσης. Το TestSet-1 αποτελούνταν από 325 θετικές περιπτώσεις άσθματος και 428 αρνητικές περιπτώσεις από το Πνευμονολογικό Τμήμα. Το TestSet-2 αποτελούνταν από 2.123 περιπτώσεις από μη πνευμονολογικά τμήματα και περιλάμβανε 337 θετικές και 1.786 αρνητικές περιπτώσεις. Πειραματικά αποτελέσματα έδειξαν ότι το μοντέλο CatBoost ξεπέρασε άλλα μοντέλα και στα δύο σετ δοκιμών με ακρίβεια 84,7% και περιοχή κάτω από την καμπύλη (AUC) 90,9% στο TestSet-1 και ακρίβεια 96,7% και AUC 98,1% στο TestSet-2.
Σε αυτή τη μελέτη, δύο σετ αναδρομικών EMR ασθενών ηλικίας κάτω των 14 ετών συλλέχθηκαν από το Νοσοκομείο Παίδων της Ιατρικής Σχολής του Πανεπιστημίου Zhejiang, Κίνα. Το DataSet-1 αποτελούνταν από 3.761 περιπτώσεις, με 1.624 θετικά κρούσματα άσθματος και 2.137 αρνητικά κρούσματα από το Πνευμονολογικό Τμήμα. Το DataSet-2 αποτελούταν από 2.123 περιπτώσεις με 337 θετικά και 1.786 αρνητικά από μη πνευμονολογικά τμήματα συμπεριλαμβανομένων του Καρδιαγγειακού Τμήματος, του Ενδοκρινολογικού Τμήματος, του Νεφρολογικού Τμήματος, του Νευρολογικού Τμήματος και του Αιματολογικού Τμήματος του νοσοκομείου. Όλα τα αρχεία εξετάστηκαν από τουλάχιστον δύο αναπνευστικούς εμπειρογνώμονες που έκαναν ανεξάρτητες διαγνώσεις άσθματος για κάθε αρχείο, με βάση τον οδηγό διάγνωσης και πρόληψης βρογχικού άσθματος για παιδιά (έκδοση 2016) . Αρχικά, δύο αναπνευστικοί εμπειρογνώμονες εξέδωσαν την ανεξάρτητη αξιολόγησή τους. Στη συνέχεια, ο χρυσός κανόνας για τη διαγνωστική απόφαση (δηλαδή, ετικέττα βασικής αλήθειας για εκπαίδευση μοντέλων) για κάθε εγγραφή έγινε με συνέπεια κρίσης. Όπου ήταν εμφανής μια ασυμφωνία μεταξύ των δύο ανεξάρτητων κρίσεων, διενεργήθηκαν πρόσθετες ανεξάρτητες αξιολογήσεις από άλλους δύο αναπνευστικούς εμπειρογνώμονες. Ο δεύτερος γύρος γνωματεύσεων επικρατούσε εάν γινόταν διαγνωστική συμφωνία. Σε περιπτώσεις που δεν επιτεύχθηκε συμφωνία με τη δεύτερη επανεξέταση, η διαδικασία επαναλαμβανόταν μέχρι να επιτευχθεί διαγνωστική συμφωνία.
Το μοντέλο τεχνητής νοημοσύνης (AI) θα μπορούσε να εντοπίσει γρήγορα και με ακρίβεια το άσθμα σε γενικούς ιατρικούς θαλάμους παιδιών και μπορεί να βοηθήσει τους βασικούς παιδιάτρους στη σωστή διάγνωση του άσθματος. Διαθέτει μεγάλη κλινική αξία και πρακτική σημασία για τη βελτίωση του ποσοστού ελέγχου του άσθματος στα παιδιά, τη βελτιστοποίηση των ιατρικών πόρων και τον περιορισμό της κατάχρησης αντιβιοτικών και συστηματικών γλυκοκορτικοειδών.
Ακολουθήστε το healthweb.gr στο Google News και μάθετε πρώτοι όλες τις ειδήσεις
Ακολουθήστε το healthweb.gr στο κανάλι μας στο YouTube
