原始论文gydF4y2Ba
摘要gydF4y2Ba
背景:gydF4y2Ba妊娠期糖尿病(GDM)可对母亲及其新生儿造成不良后果。然而,生活在低收入和中等收入地区或国家的孕妇往往无法在当地医疗机构获得早期临床干预,因为妊娠糖尿病诊断的可得性有限。人工智能(AI)在疾病诊断方面的突出表现证明了其在GDM诊断中的应用前景。gydF4y2Ba
摘要目的:gydF4y2Ba本研究旨在研究在医疗设备和人员需求较少的环境下,如何在GDM诊断中实现性能良好的AI算法,并基于该算法建立应用程序。这项研究还探讨了如果我们的应用程序被广泛使用可能会取得的进展。gydF4y2Ba
方法:gydF4y2Ba2010年11月至2017年10月,在中国南方地方医院暨南大学第一附属医院妇产科接受GDM检测的12304名孕妇接受了一个包含9种算法的人工智能模型的训练。根据美国糖尿病协会(ADA) 2011年诊断标准诊断GDM。选择年龄和空腹血糖作为关键参数。为了验证,我们对内部数据集和外部验证数据集进行了k-fold交叉验证(k=5),其中包括来自香港中文大学附属教学医院威尔士亲王医院的1655例病例,这是一所非本地医院。计算每种算法的准确性、灵敏度和其他标准。gydF4y2Ba
结果:gydF4y2Ba支持向量机(SVM)、随机森林、AdaBoost、k近邻(kNN)、朴素贝叶斯(NB)、决策树、逻辑回归(LR)、极限梯度增强(XGBoost)和梯度增强决策树(GBDT)的外部验证数据集的接收者工作特征曲线(AUROC)下面积分别为0.780、0.657、0.736、0.669、0.774、0.614、0.769、0.742和0.757。支持向量机在其他指标上也保持了较高的性能。在外部验证集中,SVM的特异性保持100%,准确率为88.7%。gydF4y2Ba
结论:gydF4y2Ba我们的前瞻性和多中心研究是第一个支持资源有限地区孕妇GDM诊断的临床研究,仅使用空腹血糖值,患者年龄和连接互联网的智能手机。我们的研究证明支持向量机能够以更少的运行成本和更高的效率实现准确的诊断。我们的研究(简称GDM- ai研究,即基于人工智能的GDM诊断研究)也表明,我们的app在提高孕妇孕产妇保健质量、精准医疗、远程医疗等方面有着广阔的发展前景。我们建议未来的工作应该扩大数据集范围,并复制该过程以验证人工智能算法的性能。gydF4y2Ba
doi: 10.2196/21573gydF4y2Ba
关键字gydF4y2Ba
介绍gydF4y2Ba
妊娠期糖尿病(GDM)常见于妊娠期,对母亲及其新生儿均有负面影响,包括剖宫产、肩难产、巨大儿、新生儿低血糖、妊娠期糖尿病后2型糖尿病、孕妇心血管疾病以及后代肥胖和2型糖尿病风险增加[gydF4y2Ba
]。然而,如果GDM能够在早期得到诊断,就可以实施早期干预,最大限度地减少其不良后果[gydF4y2Ba ,gydF4y2Ba ]。虽然GDM在一些非洲发展中国家的流行率很高(例如,尼日利亚为8.2%,坦桑尼亚为9.5%)[gydF4y2Ba ],由于缺乏熟练的保健工作者,孕妇获得适当保健的可能性较小[gydF4y2Ba ]。其他因素,如贫穷、医疗服务不足、到医院路途遥远、获得信息的机会较少以及文化和传统,也阻碍妇女在怀孕期间寻求护理。gydF4y2Ba近年来,人工智能(AI)在疾病诊断中得到了广泛的应用[gydF4y2Ba
,gydF4y2Ba ]。一些先进的人工智能算法,如深度学习、支持向量机(SVM)和卷积神经网络,已经显示出与临床医生相当的性能[gydF4y2Ba ]。主要的先进人工智能方法在物体识别任务中产生了显著的判别性能,具有相对较高的灵敏度、特异性和准确性[gydF4y2Ba ,gydF4y2Ba ]。与此同时,世界见证了人工智能报告的即时性和产生结果的一致性[gydF4y2Ba ]。人工智能越来越适合应用于临床日常工作[gydF4y2Ba ],并提供更高的准确性和效率的优势[gydF4y2Ba ]。为糖尿病管理开发了一个人工智能驱动的饮食平台[gydF4y2Ba ],人工智能工具可以加强对个人和社会健康的糖尿病护理[gydF4y2Ba ,gydF4y2Ba ]。gydF4y2Ba基于以上优势,AI有望在GDM诊断领域得到进一步的研究和应用,实现社会效益和经济效益的最大化。我们团队在2016年对妊娠糖尿病远程医疗技术进行的系统回顾和meta分析表明,远程医疗技术可以简化临床护理服务,提高孕产妇满意度[gydF4y2Ba
]。我们还使用关键词“妊娠糖尿病”、“GDM”、“GDM筛查”、“GDM检测”、“GDM诊断”、“机器学习”、“人工智能(AI)”和“深度学习”,通过搜索Scopus、Web of Science、PubMed和Embase,对从成立到2019年11月17日发表的英文研究进行评估。尽管一些论文将人工智能应用于GDM的筛查或早期诊断[gydF4y2Ba ,gydF4y2Ba ,他们只使用专家系统或风险评分模型,而不是随机森林等最新的人工智能算法。最近,来自以色列的一个团队应用了20个最重要的特征,如基线风险评分和以前怀孕的葡萄糖挑战测试结果。一种基于国家电子健康记录的机器学习模型对GDM的诊断达到了很高的准确性[gydF4y2Ba ]。因此,我们打算利用人工智能技术为资源匮乏地区的女性建立一种GDM诊断工具。由于我们的应用针对的是资源有限地区的患者,如果我们只使用空腹血糖值和其他患者的基本健康信息,如年龄、体重、身高等,会更加实用和方便。本研究(简称GDM-AI研究,即基于人工智能的GDM诊断研究)旨在验证和排名人工智能算法在GDM诊断中的性能和适用性,并开发一种创新的人工智能在孕产妇保健中的应用。本文还将介绍我们的应用程序背后的想法,以及它的贡献和前景。gydF4y2Ba方法gydF4y2Ba
招聘gydF4y2Ba
我们的回顾性研究最初纳入了2010年11月1日至2017年10月31日在暨南大学第一附属医院(中国广东省广州市)分娩的12316名单胎孕妇。我们获得了暨南大学研究伦理委员会的伦理审查和批准。使用了医疗记录,所有数据都是匿名的机密数据。该研究排除了12名孕妇,因为她们的资料不完整。根据国际糖尿病和妊娠研究小组协会(IADPSG)的诊断标准,共有12304名入院后具有完整概况的孕妇被用作发展组,并被诊断患有或不患有GDM。符合以下任何条件的患者被排除:非中国人、多胎妊娠、12周前进行口服糖耐量试验、在其他医院分娩、严重胎儿畸形或电子病历中没有患者临床结果。我们从暨南大学第一附属医院(中国广东广州)的数据库中提取临床数据作为发展集,包括临床基线特征、孕产妇和新生儿并发症及其临床结局。患者的人口统计学和临床特征见gydF4y2Ba
.另一个数据集为1655例,与香港中文大学附属教学医院威尔士亲王医院的外部验证集的标准相同。gydF4y2Ba人口统计学和临床变量gydF4y2Ba | 发展(训练)集(N=12,304)gydF4y2Ba | 外部验证集(N=1655)gydF4y2Ba | ||||
GDMa (n=2761)(均值,SD)gydF4y2Ba | NGTb (n=9543) (mean, SD)gydF4y2Ba | PgydF4y2Ba价值gydF4y2Ba | GDM (n=240)(均值,标准差)gydF4y2Ba | NGT (n=1415)(均值,标准差)gydF4y2Ba | PgydF4y2Ba价值gydF4y2Ba | |
年龄(年)gydF4y2Ba | 30.21 (4.42)gydF4y2Ba | 28.50 (3.98)gydF4y2Ba | <措施gydF4y2Ba | 32.87 (4.71)gydF4y2Ba | 30.33 (4.82)gydF4y2Ba | <措施gydF4y2Ba |
空腹血糖值(mmol/L)gydF4y2Ba | 4.89 (0.73)gydF4y2Ba | 4.37 (0.36)gydF4y2Ba | <措施gydF4y2Ba | 4.74 (0.58)gydF4y2Ba | 4.32 (0.28)gydF4y2Ba | <措施gydF4y2Ba |
负荷后1 h血浆葡萄糖(mmol/L)gydF4y2Ba | 9.82 (1.84)gydF4y2Ba | 7.33 (1.38)gydF4y2Ba | <措施gydF4y2Ba | 10.16 (1.63)gydF4y2Ba | 7.25 (1.35)gydF4y2Ba | <措施gydF4y2Ba |
负荷后2 h血浆葡萄糖(mmol/L)gydF4y2Ba | 8.53 (1.65)gydF4y2Ba | 6.47 (1.04)gydF4y2Ba | <措施gydF4y2Ba | 8.63 (1.23)gydF4y2Ba | 6.24 (1.02)gydF4y2Ba | <措施gydF4y2Ba |
一个gydF4y2BaGDM:妊娠期糖尿病gydF4y2Ba
bgydF4y2BaNGT:葡萄糖耐量正常gydF4y2Ba
研究设计gydF4y2Ba
所有孕妇均按照美国糖尿病协会(ADA) 2011年标准接受2小时75克口服葡萄糖耐量试验。根据ADA 2011年GDM诊断标准,空腹、餐后1小时、餐后2小时血糖上限分别为5.1 mmol/L、10.0 mmol/L、8.5 mmol/L。有一个或多个异常值的患者将被诊断为GDM。gydF4y2Ba
每个案例都由2名专家单独仔细审查。根据实验室数据变化、临床表现、临床干预及最终诊断,将患者评估结果分为GDM组和非GDM组,评估结果将在一周内完成。如果出现差异,则由另一位专家审查,并在达成共识后贴上标签。在发育数据集中,根据ADA 2011标准,病例被标记为正常或GDM。gydF4y2Ba
我们比较了两个队列(non - ongdm和GDM)的基线特征,见gydF4y2Ba
发现除了身高之外,他们之间存在显著差异。因此,我们在人工智能算法中测试了几次不同的基线特征组合,以获得区分GDM和nonGDM的最佳组合。最终,我们得出了年龄和空腹血糖的结合。gydF4y2Ba我们利用收集到的数据集中的年龄和空腹血糖,测试了9种先进的人工智能算法,包括SVM、随机森林、AdaBoost、k近邻(kNN)、朴素贝叶斯(NB)、决策树、逻辑回归(LR)、极限梯度增强(XGBoost)和梯度增强决策树(GBDT)。我们使用开发集进行模型开发,并使用5倍交叉验证进行内部验证。开发集被随机分成5组。在每个折叠中,我们使用1折叠进行验证,其余折叠用于训练模型。结果由5个单独实验的结果平均计算。gydF4y2Ba
采用5倍交叉验证的内部验证和采用受试者工作特征曲线下面积(AUROC)的外部验证集对训练模型的GDM分类性能进行验证。gydF4y2Ba
统计分析gydF4y2Ba
我们假设人工智能模型至少与2011年ADA标准相当。因此,我们将先进AI模型的性能与ADA 2011诊断结果进行了比较。计算各算法的准确率、灵敏度、特异性、曲线下面积(AUC)、阳性预测值(PPV)、阴性预测值(NPV)、Brier评分、阳性似然比、阴性似然比。gydF4y2Ba
对于验证数据集,采用基于Jupyter Notebook (Project Jupyter)的python 3.6.8软件,通过AUROC曲线分析,从概率值对GDM检测的性能进行评价。gydF4y2Ba
通过受试者工作特征(ROC)曲线分析和使用“pROC”软件包计算AUC来实现性能评价。模型的截断值(0.501)由“OptimalCutpoints”软件包使用约登法确定。计算每个比例(即敏感性和特异性)的logit变换的渐近双侧95% ci。所有分析均使用Stata(14.0版本)进行。gydF4y2Ba
结果gydF4y2Ba
发展数据集中共纳入了12304例门诊病例。在这些女性中,77.6%(9543/12304)根据2011年ADA标准为非GDM, 22.4%(2761/ 12304)的女性被诊断为GDM。在外部验证数据集中,有14.5%(240/1655)的病例存在GDM。gydF4y2Ba
对内部数据集进行5倍交叉验证,记录准确性和误报。各项评价指标见gydF4y2Ba
和gydF4y2Ba .gydF4y2BaROC曲线见gydF4y2Ba
,表明SVM、AdaBoost、NB、LR、XGBoost和GBDT的AUC性能更高。gydF4y2Ba对于内部验证数据集,AUC的最佳表现是GBDT和XGBoost,它们具有相对较高的准确性、特异性和PPV,但它们的Brier评分低于其他方法(gydF4y2Ba
)。gydF4y2Ba对于外部验证数据集,支持向量机对GDM的AUC为0.78,准确率为88.7%,特异性为100% (gydF4y2Ba
)。NB诊断GDM的特异性为98.2%,AUC为0.774 (gydF4y2Ba )。人工智能应用示范见gydF4y2Ba .gydF4y2Ba算法gydF4y2Ba | 精度gydF4y2Ba | 灵敏度gydF4y2Ba | 特异性gydF4y2Ba | PPVgydF4y2Ba一个gydF4y2Ba | 净现值gydF4y2BabgydF4y2Ba | 野蔷薇的分数gydF4y2Ba | AUCgydF4y2BacgydF4y2Ba |
支持向量机gydF4y2BadgydF4y2Ba | 0.849gydF4y2Ba | 0.377gydF4y2Ba | 0.985gydF4y2Ba | 0.880gydF4y2Ba | 0.845gydF4y2Ba | 0.151gydF4y2Ba | 0.766gydF4y2Ba |
随机森林gydF4y2Ba | 0.833gydF4y2Ba | 0.432gydF4y2Ba | 0.949gydF4y2Ba | 0.709gydF4y2Ba | 0.852gydF4y2Ba | 0.167gydF4y2Ba | 0.728gydF4y2Ba |
演算法gydF4y2Ba | 0.860gydF4y2Ba | 0.376gydF4y2Ba | 1gydF4y2Ba | 1gydF4y2Ba | 0.847gydF4y2Ba | 0.140gydF4y2Ba | 0.763gydF4y2Ba |
然而,gydF4y2BaegydF4y2Ba | 0.841gydF4y2Ba | 0.415gydF4y2Ba | 0.964gydF4y2Ba | 0.768gydF4y2Ba | 0.851gydF4y2Ba | 0.159gydF4y2Ba | 0.723gydF4y2Ba |
注gydF4y2BafgydF4y2Ba | 0.845gydF4y2Ba | 0.367gydF4y2Ba | 0.983gydF4y2Ba | 0.860gydF4y2Ba | 0.843gydF4y2Ba | 0.155gydF4y2Ba | 0.768gydF4y2Ba |
决策树gydF4y2Ba | 0.838gydF4y2Ba | 0.431gydF4y2Ba | 0.956gydF4y2Ba | 0.738gydF4y2Ba | 0.853gydF4y2Ba | 0.162gydF4y2Ba | 0.706gydF4y2Ba |
LRgydF4y2BaggydF4y2Ba | 0.844gydF4y2Ba | 0.363gydF4y2Ba | 0.984gydF4y2Ba | 0.865gydF4y2Ba | 0.842gydF4y2Ba | 0.156gydF4y2Ba | 0.765gydF4y2Ba |
XGBoostgydF4y2BahgydF4y2Ba | 0.860gydF4y2Ba | 0.377gydF4y2Ba | 1gydF4y2Ba | 1gydF4y2Ba | 0.847gydF4y2Ba | 0.140gydF4y2Ba | 0.771gydF4y2Ba |
GBDTgydF4y2Ba我gydF4y2Ba | 0.860gydF4y2Ba | 0.376gydF4y2Ba | 1gydF4y2Ba | 1gydF4y2Ba | 0.847gydF4y2Ba | 0.140gydF4y2Ba | 0.772gydF4y2Ba |
一个gydF4y2BaPPV:阳性预测值。gydF4y2Ba
bgydF4y2BaNPV:负的预测值。gydF4y2Ba
cgydF4y2BaAUC:曲线下面积。gydF4y2Ba
dgydF4y2BaSVM:支持向量机。gydF4y2Ba
egydF4y2Bak近邻。gydF4y2Ba
fgydF4y2Ba注意:朴素贝叶斯。gydF4y2Ba
ggydF4y2BaLR:逻辑回归。gydF4y2Ba
hgydF4y2BaXGBoost:极端梯度增强。gydF4y2Ba
我gydF4y2BaGBDT:梯度增强决策树。gydF4y2Ba
算法gydF4y2Ba | 精度gydF4y2Ba | 灵敏度gydF4y2Ba | 特异性gydF4y2Ba | PPVgydF4y2Ba一个gydF4y2Ba | 净现值gydF4y2BabgydF4y2Ba | 野蔷薇的分数gydF4y2Ba | AUCgydF4y2BacgydF4y2Ba |
支持向量机gydF4y2BadgydF4y2Ba | 0.887gydF4y2Ba | 0.221gydF4y2Ba | 1gydF4y2Ba | 1gydF4y2Ba | 0.883gydF4y2Ba | 0.113gydF4y2Ba | 0.780gydF4y2Ba |
随机森林gydF4y2Ba | 0.838gydF4y2Ba | 0.263gydF4y2Ba | 0.936gydF4y2Ba | 0.409gydF4y2Ba | 0.882gydF4y2Ba | 0.162gydF4y2Ba | 0.655gydF4y2Ba |
演算法gydF4y2Ba | 0.882gydF4y2Ba | 0.183gydF4y2Ba | 1gydF4y2Ba | 1gydF4y2Ba | 0.878gydF4y2Ba | 0.118gydF4y2Ba | 0.736gydF4y2Ba |
然而,gydF4y2BaegydF4y2Ba | 0.862gydF4y2Ba | 0.254gydF4y2Ba | 0.965gydF4y2Ba | 0.550gydF4y2Ba | 0.884gydF4y2Ba | 0.138gydF4y2Ba | 0.669gydF4y2Ba |
注gydF4y2BafgydF4y2Ba | 0.878gydF4y2Ba | 0.263gydF4y2Ba | 0.982gydF4y2Ba | 0.716gydF4y2Ba | 0.887gydF4y2Ba | 0.122gydF4y2Ba | 0.774gydF4y2Ba |
决策树gydF4y2Ba | 0.841gydF4y2Ba | 0.242gydF4y2Ba | 0.942gydF4y2Ba | 0.414gydF4y2Ba | 0.880gydF4y2Ba | 0.159gydF4y2Ba | 0.614gydF4y2Ba |
LRgydF4y2BaggydF4y2Ba | 0.877gydF4y2Ba | 0.258gydF4y2Ba | 0.983gydF4y2Ba | 0.713gydF4y2Ba | 0.887gydF4y2Ba | 0.123gydF4y2Ba | 0.769gydF4y2Ba |
XGBoostgydF4y2BahgydF4y2Ba | 0.882gydF4y2Ba | 0.183gydF4y2Ba | 1gydF4y2Ba | 1gydF4y2Ba | 0.878gydF4y2Ba | 0.118gydF4y2Ba | 0.742gydF4y2Ba |
GBDTgydF4y2Ba我gydF4y2Ba | 0.882gydF4y2Ba | 0.183gydF4y2Ba | 1gydF4y2Ba | 1gydF4y2Ba | 0.878gydF4y2Ba | 0.118gydF4y2Ba | 0.757gydF4y2Ba |
一个gydF4y2BaPPV:阳性预测值。gydF4y2Ba
bgydF4y2BaNPV:负的预测值。gydF4y2Ba
cgydF4y2BaAUC:曲线下面积。gydF4y2Ba
dgydF4y2BaSVM:支持向量机。gydF4y2Ba
egydF4y2Bak近邻。gydF4y2Ba
fgydF4y2Ba注意:朴素贝叶斯。gydF4y2Ba
ggydF4y2BaLR:逻辑回归。gydF4y2Ba
hgydF4y2BaXGBoost:极端梯度增强。gydF4y2Ba
我gydF4y2BaGBDT:梯度增强决策树。gydF4y2Ba
样本gydF4y2Ba | 年龄gydF4y2Ba | 空腹血糖(mmol/L)gydF4y2Ba | 人工智能应用的结果gydF4y2Ba |
1gydF4y2Ba | 35gydF4y2Ba | 5.2gydF4y2Ba | GDMgydF4y2Ba一个gydF4y2Ba |
2gydF4y2Ba | 25gydF4y2Ba | 4.5gydF4y2Ba | 没有GDMgydF4y2Ba |
3.gydF4y2Ba | 27gydF4y2Ba | 4.8gydF4y2Ba | 没有GDMgydF4y2Ba |
4gydF4y2Ba | 33gydF4y2Ba | 3.5gydF4y2Ba | 没有GDMgydF4y2Ba |
5gydF4y2Ba | 37gydF4y2Ba | 5.6gydF4y2Ba | GDMgydF4y2Ba |
6gydF4y2Ba | 30.gydF4y2Ba | 4.3gydF4y2Ba | 没有GDMgydF4y2Ba |
7gydF4y2Ba | 30.gydF4y2Ba | 6.7gydF4y2Ba | GDMgydF4y2Ba |
8gydF4y2Ba | 27gydF4y2Ba | 5.4gydF4y2Ba | GDMgydF4y2Ba |
一个gydF4y2BaGDM:妊娠期糖尿病。gydF4y2Ba
这项初步研究的目的是开发一个应用程序,并证明这些方法的合理性。用户可以将数据输入应用程序,这些数据将同时传输给医生和其他医务人员。这样,app为医生提供了一个平台,可以了解用户的健康状况,并对GMD患者进行干预,而app用户可以跟踪他们的身体状况。gydF4y2Ba
更具体地说,我们的移动应用程序有望量化孕妇的日常生活,优化饮食、运动和睡眠,以帮助她们最大限度地提高健康水平。该应用程序充当“在线智能护士”,可以回答简单的问题,以减少产科医生的工作量。我们的应用选择了内置模型,它还会不断地测试、调整和改进。有必要收集有关孕妇日常习惯和身体状况的数据,并使用机器学习算法来研究这些数据。这些数据也将被发送到云数据库,并再次分析,以确定运动量和热量摄入之间的关系,帮助用户平衡运动和饮食。此外,它还可以预测用户患其他疾病的可能性以及第二天的血糖水平。用户上传的实际血糖将被用来与预测值进行比较,以验证、纠正或改进我们的模型。gydF4y2Ba
应用程序开发的详细过程在gydF4y2Ba
和gydF4y2Ba .gydF4y2Ba应用界面如图所示gydF4y2Ba
.gydF4y2Ba讨论gydF4y2Ba
主要结果gydF4y2Ba
在这项研究中,我们描述了使用9种人工智能算法来诊断GDM,仅利用年龄和空腹血糖。内部和外部验证表明,在相同的医疗资源条件下,人工智能算法为诊断GDM提供了强有力或中等程度的证据。此外,SVM在准确率、特异性、PPV、正似然比、AUROC等方面保持了较高的性能,实现了正确的诊断,表明SVM算法具有做出高精度诊断决策的潜力。在相同的医疗资源条件下,NB也为诊断GDM提供了适度的证据。gydF4y2Ba
已建立的诊断工具,如ADA 2011标准已被用于确定孕妇是否患有GDM。然而,2011年ADA标准对资源要求较高,因此可能无法在中国欠发达地区使用。此外,考虑到孕妇在怀孕期间的身体状况,这些诊断测试既昂贵又困难。与ADA 2011标准中已有的诊断工具相比,自动诊断算法能够以较少的医疗资源提供实时、准确的诊断。此外,这种基于算法的诊断将更便宜,因为它需要更少的设备和专业医务人员。由于GDM给公共医疗系统带来了重大的经济负担,政府和卫生政策制定者可以根据本研究结果评估我们的免费应用程序的经济效益(该应用程序可以告知患者诊断情况,并在需要时促进早期医疗干预),并寻求国际合作[gydF4y2Ba
-gydF4y2Ba ]。gydF4y2Ba我们认为未来AI在医学上的重点应该是解决资源不足地区的医疗问题,这一应用可能有助于解决医疗资源短缺的问题。除了GDM,我们相信AI还可以应用于其他疾病。gydF4y2Ba
限制gydF4y2Ba
首先,开发集都来自一家医院,但是外部验证集解决了这个问题。其次,这些数据是回顾性的,因此不是最新的。第三,这些数据集涉及广东和香港的人口,包括患者和系统特征。我们的研究结果是否适用于其他具有不同医疗保健系统的人群,可能需要进一步的调查。第四,与人类专家相比,没有一种算法在灵敏度上表现良好,说明人工智能诊断GDM的能力有待提高。gydF4y2Ba
由于我们的数据集范围相对较小,我们研究的下一步将是扩展我们的内部数据集,并重复该过程,以验证SVM在不同的数据集上表现良好。来自不同司法管辖区的数据库可以包含在我们的测试中。虽然SVM在总体标准上优于SVM,但根据Brier Score, NB在两个数据集上都优于SVM。因此,我们将进一步研究SVM与NB之间的差异。gydF4y2Ba
与现有文献比较gydF4y2Ba
对初始GDM进行诊断是为了帮助进一步观察孕妇并指导干预措施。以前已经开发了几种用于诊断和预测糖尿病的工具。然而,这些工具需要孕妇的详细信息,例如,调节患者血糖水平的所有重要因素[gydF4y2Ba
]、人口统计信息[gydF4y2Ba ],或各种血糖值[gydF4y2Ba ]。因此,它们不适合生活在资源有限的农村地区的孕妇。相比之下,我们的诊断机制只需要空腹血糖值和患者的年龄,这增强了它的适用性。gydF4y2Ba申请的贡献gydF4y2Ba
这款应用的核心功能是智能医疗。收集、提取、处理、呈现数据和更新应用程序的过程都是自动化的。因此,它可以节省大量的时间和精力,同时执行高效率和准确性。gydF4y2Ba
此外,如果我们的应用程序可以与可穿戴设备互联,应用程序可以实时监测孕妇的心率和血压水平,并通过数据和插图告知孕妇的身体状况,例如是否应该继续运动或休息。这种智能保健将有利于医疗资源可能短缺的农村地区的准妈妈,让孕妇和她们的家庭放心。gydF4y2Ba
精准医学是医学的一个现代分支,它可以根据病人的基因、生物标志物或社会心理特征提供个性化的医疗护理。对于农村地区的大多数孕妇来说,精准医疗仍然昂贵且难以实施。然而,我们的应用程序为负担得起的精准医疗提供者提供了可能性,因为它可以提供医疗建议和个性化的日常锻炼和饮食安排。gydF4y2Ba
该应用程序还为生活在医疗服务不足、交通不发达的农村地区的孕妇提供了远程医疗服务。医生可以通过应用实时跟踪患者的血糖水平等健康信息,并通过实时在线交流给出诊断和建议。该应用程序还可用于因工作繁忙而无法参加耗时检查的城市孕妇。gydF4y2Ba
此外,通过实现精准医疗和远程医疗,该app可以利用现有产科资源,检测健康数据与孕妇健康之间的关系,寻找孕期风险管理的新途径,为GDM提供更有效的管理。通过这种方式,我们的应用程序可以提高孕产妇保健的效率和质量,特别是在农村地区,并有助于振兴当前的全球医疗体系。gydF4y2Ba
这款基于人工智能的app可以促进远程医疗,在资源匮乏的情况下做出及时准确的诊断,同时可能降低GDM的诊断成本,提高农村孕产妇保健的质量和效率。首先,该应用程序的引入将有效提高低资源地区妊娠期糖尿病的诊断率,从而预防妊娠的高风险。第二,人工智能使得对高危女性的干预成为可能。第三,人工智能应用可能是补充解决方案,以减少全球农村GDM缺乏症人群的诊断延误、获得预防建议和可能治疗的延误。gydF4y2Ba
结论gydF4y2Ba
世界各地农村地区存在着许多与产科服务不足有关的挑战,但这也为人工智能在医疗领域的发展提供了机会。在我们的研究中,我们测试了9种算法(SVM、随机森林、AdaBoost、kNN、NB、决策树、LR、XGBoost和GBDT),以确定诊断GDM的最佳算法。SVM表现最好,并被用于开发移动应用程序。虽然还需要进一步的实验,但我们相信开发的应用程序将促进精准医疗和远程医疗,同时提高农村孕产妇保健的质量和效率。gydF4y2Ba
作者的贡献gydF4y2Ba
J Shen和JC对这篇文章贡献均等。J Shen和JC构思了最初的想法并设计了这项研究。JC做了实验研究和绘图;J Shen进行了数据分析和数据解读,并撰写了第一版稿件。ZL对编程做出了贡献。ZZ和JZ都对手稿的最终版本做出了贡献。宋先生帮助撰写了手稿。SYW、XW、PHF、BJ、WT、CCW和MH收集临床数据。BA、CJPZ、JH和TL参与了论文的起草和数据分析。WKM构思了最初的想法,设计了研究,并监督了该项目。 All authors provided critical feedback and helped shape the research, analysis and manuscript.
利益冲突gydF4y2Ba
没有宣布。gydF4y2Ba
参考文献gydF4y2Ba
- chifari E, Arcidiacono B, Foti D, Brunetti A.妊娠期糖尿病:最新综述。内分泌杂志,2017;40(9):899-909 [J]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- 明伟,丁伟,张建平,钟磊,龙勇,李志,等。正常体重妇女妊娠期运动对妊娠期糖尿病的影响:一项系统回顾和荟萃分析。BMC妊娠分娩2018年11月12日;18(1):440 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- 王晓明,王晓明,王晓明,等。运动与饮食对妊娠期糖尿病的影响。Cochrane Database system Rev 2017 11月13日;11:CD010443 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- 朱艳,张超。妊娠期糖尿病患病率与发展为2型糖尿病的风险:全球视角。中华糖尿病杂志2016年1月16日(1):7 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- Bradley S, Kamwendo F, Chipeta E, Chimwaza W, de Pinho H, McAuliffe E.工作人员太少,病人太多:马拉维对产科护理提供者和护理质量影响的定性研究。BMC妊娠分娩2015年3月21日15:65 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- 李建军,张建军,张建军,等。人工智能在慢性阻塞性肺疾病诊断中的应用。中华流行病学杂志;2018;24(2):117-123 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- Ozkan IA, Koklu M, Sert IU。基于人工智能方法的尿路感染诊断。生物医学工程学报,2018 (11);16 (1):51-59 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- 沈健,张长平,蒋斌,陈健,宋健,刘志,等。人工智能与临床医生在疾病诊断中的对比:系统综述。中华医学杂志2019;7(3):e10010 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- Parajuli R, Doneys P.探讨远程医疗在改善尼泊尔农村妇女和女孩获得保健服务方面的作用。远程信息处理与信息学报,2017;34(7):1166-1176。[gydF4y2BaCrossRefgydF4y2Ba]gydF4y2Ba
- Schölkopf B,李建平,李建平。核主成分分析。见:Gerstner W, Germond A, Hasler M, Nicoud JD,编辑。人工神经网络- ICANN'97。ICANN 1997。计算机科学课堂讲稿,卷1327。柏林,海德堡:施普林格;1997:583 - 588。gydF4y2Ba
- Schmidt-Erfurth U, Sadeghipour A, Gerendas BS, Waldstein SM, bogunoviki H.视网膜人工智能。中华眼科杂志,2018;37 (1):1-29 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- 李建军,李建军。人工智能在糖尿病管理和决策支持中的应用。医学互联网研究,2018年5月30日;20(5):e10775 [J]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- 李建军,李建军,李建军,李建军。人工智能技术在糖尿病治疗中的应用。大众健康管理2019;22(3):229-242 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- 朴世文,金刚,黄勇,李文杰,朴海,金建辉。利用基于人工智能的饮食管理解决方案和糖尿病管理的实时连续血糖监测系统的数字综合医疗保健平台的有效性验证:一项随机对照试验。中华医学杂志,2020;20(1):156 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- Rigla M, García-Sáez G, Pons B, Hernando ME。人工智能方法及其在糖尿病中的应用糖尿病科学技术杂志2018;12(2):303-310 [J]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- srram RD,我是Reddy SSK。人工智能和数字工具:糖尿病护理的未来。中华老年医学杂志(英文版);36(3):513-525 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- Ming W, Mackillop LH, Farmer AJ, Loerup L, Bartlett K, Levy JC,等。妊娠糖尿病的远程医疗技术:系统回顾和荟萃分析。医学互联网研究2016年11月09日;18(11):e290 [J]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- 人工智能技术在GDM早期筛查中的应用。专家系统与应用2004;26(4):455-460。[gydF4y2BaCrossRefgydF4y2Ba]gydF4y2Ba
- 基于危险因素的妊娠期糖尿病诊断专家系统建模。IOSR-JCE 2013; 8(3): 29-32。[gydF4y2BaCrossRefgydF4y2Ba]gydF4y2Ba
- 刘建军,刘建军,刘建军,等。基于全国电子健康记录的妊娠糖尿病预测中华医学杂志,2020;26(1):71-76 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- 马丁·B,萨克斯检察官。妊娠期高血糖的全球负担——过去十年研究的趋势。糖尿病临床实践2018年11月;145:17-19 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- Dall TM, Yang W, Gillespie K, Mocarski M, Byrne E, Cintina I,等。2017年血糖水平升高的经济负担:确诊和未确诊的糖尿病、妊娠期糖尿病和前驱糖尿病糖尿病护理2019;42(9):1661-1668 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- 许涛,Dainelli L, Yu K, Ma L, Silva Zolezzi I, Detzel P,等。中国妊娠期糖尿病的短期健康和经济负担:一个模型研究。BMJ Open 2017 Dec 03;7(12):e018893 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- Sosa- rubi SG, Dainelli L, Silva-Zolezzi I, Detzel P, Espino Y Sosa S, Reyes-Muñoz E,等。墨西哥妊娠糖尿病的短期健康和经济负担:一项模型研究。糖尿病临床杂志,2019;33 (3):114- 114 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- Meregaglia M, Dainelli L, Banks H, Benedetto C, Detzel P, Fattore G.意大利妊娠期糖尿病的短期经济负担。BMC妊娠分娩2018年2月23日;18(1):58 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- 陈毅,Quick WW,杨伟,张勇,Baldwin A, Moran J,等。2007年美国妊娠期糖尿病的成本。大众健康管理2009;12(3):165-174 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- Liszka-Hackzell JJ。利用混合人工智能技术预测糖尿病患者的血糖水平。中国生物医学工程学报,1999;32(2):132- 134 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- 王凯,Adrian AM,陈凯,王凯。一种改进的类电磁机制算法及其在糖尿病预测中的应用。[J]中国生物医学工程学报,2015;44 (4):522 - 522 [J]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
gydF4y2Ba
缩写gydF4y2Ba
艾达:gydF4y2Ba美国糖尿病协会gydF4y2Ba |
人工智能:gydF4y2Ba人工智能gydF4y2Ba |
AUC:gydF4y2Ba曲线下面积gydF4y2Ba |
AUROC:gydF4y2Ba接收机工作特性下的面积gydF4y2Ba |
GBDT:gydF4y2Ba梯度增强决策树gydF4y2Ba |
GDM:gydF4y2Ba妊娠期糖尿病gydF4y2Ba |
GDM-AI:gydF4y2Ba基于ai的GDM诊断gydF4y2Ba |
IADPSG:gydF4y2Ba国际糖尿病和妊娠研究小组协会gydF4y2Ba |
资讯:gydF4y2Ba再邻居gydF4y2Ba |
LR:gydF4y2Ba逻辑回归gydF4y2Ba |
注:gydF4y2Ba朴素贝叶斯gydF4y2Ba |
净现值:gydF4y2Ba负预测值gydF4y2Ba |
PPV:gydF4y2Ba阳性预测值。gydF4y2Ba |
中华民国:gydF4y2Ba接收机工作特性gydF4y2Ba |
支持向量机:gydF4y2Ba支持向量机gydF4y2Ba |
XGBoost:gydF4y2Ba极端梯度增压gydF4y2Ba |
G·艾森巴赫编辑;提交18.06.20;A Al-Hasan, T Muto的同行评审;对作者10.07.20的评论;收到修正版23.07.20;接受27.07.20;发表15.09.20gydF4y2Ba
版权gydF4y2Ba©沈佳怡,陈杰斌,郑泽全,郑佳彬,刘哲瑞,宋健,王素怡,王晓玲,黄梦绮,方宝涵,蒋邦生,曾文黑,何宗林,刘陶然,Babatunde Akinwunmi,王志超,Casper J P Zhang,黄健,Ming Wai-Kit。原载于医学互联网研究杂志(//www.mybigtv.com), 2020年9月15日。gydF4y2Ba
这是一篇在知识共享署名许可(https://creativecommons.org/licenses/by/4.0/)下发布的开放获取文章,该许可允许在任何媒介上不受限制地使用、分发和复制,前提是原始作品首次发表在《医学互联网研究杂志》上,并适当引用。必须包括完整的书目信息,到//www.mybigtv.com/上原始出版物的链接,以及版权和许可信息。gydF4y2Ba