在Rasch模型中使用机器学习和移动计算机化自适应测试的基于web的皮卡塔尔世界杯8强波胆分析肤癌评估和分类:台湾台南市永康区中华路901号，886 6 2812811 ext 57109，杨婷雅，钱婷雅，蔡伟，赖凤杰+奇美医疗中心皮肤科，886 6 2812811lai.fengjie@gmail.com %K皮肤癌评估%K计算机化自适应测试%K naïve贝叶斯%K K -最近邻%K逻辑回归%K Rasch部分信用模型%K接收者工作特征曲线%K手机%D 2022 %7 9.3.2022 %9原始论文%J JMIR Med Inform %G英文%X背景:基于web的计算机化自适应测试(CAT)实施皮肤癌(SC)风险量表可以在不影响测量精度的情况下大幅降低参与者负担。然而，SC分级的CAT目前尚未见文献报道。目的:利用机器学习建立基于cat的模型，开发SC自动分类app，帮助患者早期评估风险。方法:我们使用Rasch模拟方案从一项基于人群的澳大利亚SC风险队列研究(N=43,794)中提取数据。所有30个特征项都使用Rasch部分信用模型进行校准。采用机器learning-naïve贝叶斯、k-近邻和逻辑回归三种技术，模拟了1000个基于项目和阈值难度服从正态分布(均值为0，标准差为1)的情况，比较了训练数据集和测试数据集的模型精度，其中前者用于预测后者，比例为70:30。我们计算了敏感性、特异性、受试者工作特征曲线(曲线下面积[AUC])、ci以及所提出模型的准确性和精密度，以进行比较。开发了一款应用程序，可以对被调查者的SC风险进行分类。 Results: We observed that the 30-item k-nearest neighbors model yielded higher AUC values of 99% and 91% for the 700 training and 300 testing cases, respectively, than its 2 counterparts using the hold-out validation but had lower AUC values of 85% (95% CI 83%-87%) in the k-fold cross-validation and that an app that predicts SC classification for patients was successfully developed and demonstrated in this study. Conclusions: The 30-item SC prediction model, combined with the Rasch web-based CAT, is recommended for classifying SC in patients. An app we developed to help patients self-assess SC risk at an early stage is required for application in the future. %M 35262505 %R 10.2196/33006 %U https://medinform.www.mybigtv.com/2022/3/e33006 %U https://doi.org/10.2196/33006 %U http://www.ncbi.nlm.nih.gov/pubmed/35262505

map