பிறந்த குழந்தை உயிரியல் இதழ்

சுருக்கம்

மெஷின் லேர்னிங் முறைகள், குறைமாதக் குழந்தைகளிலும், மருத்துவர்களிடமும் நீட்டிப்பு விளைவைக் கணிக்க முடியுமா?

மார்டினா முல்லர், ஜோனாஸ் எஸ் அல்மேடா, ரொமேஷ் ஸ்டானிஸ்லாஸ் மற்றும் கரோல் எல் வாக்னர்

பகுத்தறிவு: ஒரு இயந்திர வென்டிலேட்டரின் உதவியுடன் முன்கூட்டியே பிறந்த குழந்தையின் சுவாசத்திற்கு சிகிச்சையளிப்பது கடந்த தசாப்தங்களில் மிகவும் முன்னேறியிருந்தாலும், ஒரு குறிப்பிட்ட நேரத்தில் வெளியேற்ற விளைவைக் கணிப்பது சவாலானதாகவே உள்ளது. வெளியேற்ற விளைவுக்கான முன்னறிவிப்பாளர்களை அடையாளம் காண பல ஆய்வுகள் நடத்தப்பட்டுள்ளன; எவ்வாறாயினும், நீக்குதல் முயற்சிகளில் தோல்வியுற்ற குழந்தைகளின் விகிதம் குறையவில்லை. குறிக்கோள்: இயந்திரக் கற்றல் வழிமுறைகளின் தொகுப்பைப் பயன்படுத்தி, முன்கூட்டிய குழந்தைகளில் நீட்டிப்பு விளைவைக் கணிக்க ஒரு முடிவு-ஆதரவு கருவியை உருவாக்குதல். முறைகள்: செயற்கை நரம்பியல் நெட்வொர்க்குகள் (ANN), சப்போர்ட் வெக்டர் மெஷின் (SVM), Naïve Bayesian Classifier (NBC), Boosted போன்ற இயந்திர கற்றல் வழிமுறைகளைப் பயன்படுத்தி முன்கணிப்பு மாதிரிகளை உருவாக்க இயந்திர காற்றோட்டத்தில் 486 முன்கூட்டிய குழந்தைகளிடமிருந்து சேகரிக்கப்பட்ட தரவுத்தொகுப்பு பயன்படுத்தப்பட்டது. ), மற்றும் மல்டிவேரியபிள் லாஜிஸ்டிக் பின்னடைவு (MLR). அனைத்து மாடல்களின் செயல்திறன் வளைவின் கீழ் பகுதி (AUC) ஐப் பயன்படுத்தி மதிப்பீடு செய்யப்பட்டது. முடிவுகள் சில மாதிரிகள் (ANN, MLR மற்றும் NBC) முடிவுகள் திருப்திகரமாக இருந்தன (AUC: 0.63-0.76); இருப்பினும், இரண்டு வழிமுறைகள் (SVM மற்றும் BDT) ~0.5 AUCகளுடன் மோசமான செயல்திறனைக் காட்டியது. முடிவு: மருத்துவரின் கணிப்புகள், தரவுகளின் சிக்கலான தன்மை மற்றும் மெஷின் லேர்னிங் அல்காரிதம்களின் மேம்பாட்டிற்கான உள்ளீடாகப் பயன்படுத்தப்படும் மருத்துவத் தரவுகளில் பிடிபடாத சூழல் சார்ந்த தகவல்களின் காரணமாக இன்னும் இயந்திரக் கற்றலை விஞ்சி நிற்கிறது. எதிர்கால ஆய்வுகளில் முன்செயலாக்கப் படிகளைச் சேர்ப்பது கணிப்பு மாதிரிகளின் செயல்திறனை மேம்படுத்தலாம்.