L'apprentissage automatique de l'immunité intégrée est basé sur la classification des maladies pulmo

Une étude médicale internationale a révélé de nouvelles découvertes et des résultats pertinents qui sont d'une grande valeur référentielle pour la lutte contre les maladies. La coïncidence avec le déclin du fonctionnement accrus de l'AS et de la maladie pulmonaire (PD) est insuffisante, ainsi que la mise en scène des facteurs de risque associés à ces pathologies et leur identification. Cette recherche s'est appuyée sur un modèle ML basé sur des cellules immunitaires liées et des signes d'induction immunitaire afin d'identifier les facteurs de risques associés aux maladies telles que: Ces algorithmes ont été utilisés pour distinguer AS et AS+PD.

L'analyse de sous-groupes sur les blocs pulmonaires (PN) et la COPD chronique est utilisée pour analyser la sensibilité, en utilisant des données non expliquées. L'indice LASSO est de retour pour identifier l'âge, les cellules neutres (globules), IgG, ESR, CRP, NLR, PNR et PIV en tant que variables prédictives clés (AS+PD). Dans la population globale, le modèle SVM a montré une excellente généralisation et résiste à l'adaptation excessive tandis que Random Forest et XGBoost ont démontré des adaptations excessives.

Chez les patients atteints de complications pulmonaires AS+PN et AS+COPD, des cellules immunologiques spécifiques ont été montrées ainsi que des marqueurs d'immunité intermédiaire (en particulier les globules blancs, IgG, NLR et PI). Dans quatre modèles Ml, le SVM a présenté une généralisation globale optimale tandis qu'avec XGBoost dans la sous-groupes PN et COPD il y a eu des performances extrêmement élevées. Il convient d'indiquer que le contenu ci-dessus est basé sur les résultats de recherches internationales et publiées, pour une référence au HealthCop et ne constitue pas des recommandations cliniques.