Basado en el análisis de la clasificación de enfermedades pulmonares (como la enfermedad pulmonar ob
Una investigación médica internacional ha presentado un nuevo descubrimiento de que los resultados relacionados son de gran relevancia para la prevención de enfermedades Cop. La escasez de la clasificación de riesgo y la identificación de los factores de riesgo para la reducción de la función y la carga de la enfermedad en la cohortencia de la ECAS y la enfermedad pulmonar de PD y la identificación de estos factores de riesgo para estas cohortencias. El estudio construyó un modelo de ML basado en células inmunológicas relacionadas y signos de inducción inmunológica para identificar los factores de riesgo para la cohortencia de la ECAS y la enfermedad pulmonar.
Se desarrollaron y evaluaron cuatro tipos de algoritmos de aprendizaje automático, incluidos los árboles de decisión, los bosques aleatorios, los XGBoost, y los vectores de apoyo automáticos (SVM y) Estos algoritmos fueron utilizados para distinguir entre AS y AS+PD. Se utilizó un análisis de la sensibilidad para analizar los subconjuntos de los pulmones con png (PN) y la enfermedad pulmonar crónica obstructiva (COPD), utilizando datos no explicados. 363 pacientes con AS fueron incluidos en el grupo, incluyendo 193 pacientes con AS+PD y 170 pacientes con AS+PD (incluyendo 123 con PN y 47 con COPD).
Los índices LASSO regresan a la identificación de la edad, las células neutras, las glóbulos, IgG, ESR, CRP, NLR, PNR y PIV como variables clave de predicción (AS+PD). En la población general, los modelos SVM presentan una excelente capacidad de generalización y resistencia a la sobresaliencia, mientras que los modelos Random Forest y XGBoost presentan una sobresaliencia. En el análisis de subgrupos, XGBoost se ha convertido en el mejor clasificador de AS+PN y AS+COPD, y su buena corrección y netos beneficios clínicos son evidencia directa de estabilidad y consistencia.
En pacientes con complicaciones pulmonares AS+PN y AS+COPD, se mostraron células inmunológicas específicas y marcadores de medición inmunológica (especialmente los glóbulos blancos, IgG, NLR y PI). En los cuatro modelos de ML, la SVM mostró la mejor generalización general, mientras que XGBoost mostró un rendimiento muy alto en los subgrupos de PN y COPD. Estos hallazgos apoyan la integración de los marcadores de inmun-inflamación con los algoritmos de ML para mejorar la identificación de los síntomas pulmonares actuales y los síntomas para ayudar a la identificación de los pulmonares y los síntomas de AS.
Cabe señalar que el contenido se basa en los resultados de la investigación pública internacional, y es un referente de la HealthCop, y no constituye una recomendación clínica. Si hay dudas sobre la salud, consulte a un profesional médico.
