原発性副甲状腺機能亢進症における多腺性疾患を同定するための機械学習【Powered by NICT】

Imbus Joseph R.; Randle Reese W.; Pitt Susan C.; Sippel Rebecca S.; Schneider David F.

文献

J-GLOBAL ID：201702222797514094 整理番号：17A1705068

原発性副甲状腺機能亢進症における多腺性疾患を同定するための機械学習【Powered by NICT】

Machine learning to identify multigland disease in primary hyperparathyroidism

出版者サイト複写サービスで全文入手 {{ this.onShowCLink("http://jdream3.com/copy/?sid=JGLOBAL&noSystem=1&documentNoArray=17A1705068&COPY=1") }}
高度な検索・分析はJDreamⅢで {{ this.onShowJLink("http://jdream3.com/lp/jglobal/index.html?docNo=17A1705068&from=J-GLOBAL&jstjournalNo=A0886B") }}

著者 (5件)： , , , ,
資料名：
巻： 219 ページ： 173-179 発行年： 2017年
JST資料番号： A0886B ISSN： 0022-4804 資料種別：逐次刊行物 (A)
記事区分：原著論文発行国：オランダ (NLD) 言語：英語 (EN)

原発性副甲状腺機能亢進症患者の20~ 25%は多腺性疾患(MGD)を持つであろう。Preoperatativeイメージングは,不正確なまたはMGDにおける不要であることができる。MGDの同定は,イメージングのための必要性を方向付け,手術アプローチを知らせることができた。本研究の目的は,MGDを予測するための機械学習(ML)法を使用することである。前向きデータベースの後ろ向きレビュー。MLプラットフォーム,Waikato環境知識解析のための,を使用し,著者らは,(1)全体的な精度と(2)MGDの選択的同定のためのモデルを選択した。イメージング研究のレビューは,MGDを持つと予測コホートで行った。2010名の患者が登録基準に合致した:1532人の患者は単一腺腫(SA)を有していた(76%)と478はMGD(24%)を有していた。多くのアルゴリズムを試験した後,臨床意思決定支援ツールとしての可能性統合のための二種類のモデルを選択した。最良の総合精度は強化ツリー分類器,RandomTree:94.1%の精度を用いて達成した。94.1%の感度と83.8%の特異性と94.1%の正の予測値,及び0.984面積受信者動作特性曲線下。MGD予測の正の予測値を最大化するために,高費用効率性学習によるルールベース分類器,JRip,磁気気体力学のための100%の陽性予測値を用いて達成された。コストモデルによるMGDを持った34患者のコホートからレビュー画像化を実施し39全研究:28sestamibiスキャンと11超音波を明らかにした。8のみ(29%)セスタミビスキャンと4(36%)超音波が正しい。ML法は,原発性副甲状腺機能亢進症の臨床評価における初期MGDを区別し,さらに精密検査と手術計画を誘導するのを助けることができる。Copyright 2017 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

, , , , , , , , , , ,
, , , 【Automatic Indexing@JST】

著者キーワード (6件)： , , , , ,

内分泌系の腫よう

, , ,

前のページに戻る