摘 要: 对我院 2016 年 1 月至 2018 年 1 月 127 例健康体检医护人员通过双盲法进行慢性疲劳综合征 (chronic fatigue syndrome, CFS) 相关问卷采集并收集体检及心脏超声数据, 建立回归模型, 采用回归模型或交叉验证进行内部验证, 并根据机器学习 XGBoost 提供的诊断模型增益值评估心脏超声指标在 CFS 诊断中的价值。 结果显示, 127 例医务人员体检数据进行机器学习预计算, 获得的人工智能模型受试者 95% CI 为0. 881 6 ( 0. 864 1, 0. 912 7 ), 工 作 特 征 曲 线 ( AUC) 为0. 902 1; 非-CFS 与 CFS 病人敏感性 (0. 618 9、 0. 892 1)、 准确性 (0. 892 1、 0. 618 9)、 阳性预测值 (0. 924 2、 0. 835 6)、阴性预测值 (0. 835 6、 0. 924 2)、 流行率 (0. 856 4、 0. 143 6)、检测率 (0. 841 8、 0. 074 5)、 检测流行率 (0. 910 8、 0. 089 2)。提示基于心脏超声等客观体检指标的快速诊断模型有助于在临床诊疗及体检过程中优化检查项目、 快速区分 CFS 人群,更好地进行健康指导及后续医疗干预。 |
关键词: 机器学习算法 心脏超声 慢性疲劳综合征 诊断价值 |
中图分类号:
文献标识码:
|
基金项目: |
|
Preliminary study on diagnostic value of cardiac ultrasound on chronic fatigue syndrome in medical staff queue based on machine learning algorithms |
|
|
Abstract: |
Keywords: |