intelligenza artificiale per il rilevamento dell'anemia FALCIFORME: Implementazione di modelli basati sull'apprendimento ... falciforme

Questo studio presenta un sistema basato sull'apprendimento automatico per la previsione precoce dell'anemia falciforme utilizzando dati clinici strutturati provenienti dagli emocromi dei pazienti. L'approccio proposto mira ad affrontare i limiti dei metodi diagnostici convenzionali, che sono spesso costosi, richiedono molto tempo e un'infrastruttura di laboratorio specializzata. L'obiettivo è stato quello di identificare il modello con le migliori prestazioni e sviluppare un'applicazione che potesse essere utilizzata dal personale medico in zone di difficile accesso come strumento di supporto per la diagnosi precoce di questa malattia. Tra i modelli valutati, il modello Random Forest ha ottenuto le migliori prestazioni, con una precisione del 98%, una sensibilità del 98% e un punteggio F1 del 98%. Le sue prestazioni superiori sono attribuite alla sua capacità di catturare interazioni non lineari tra le variabili ematologiche, cruciali per la diagnosi clinica. Le previsioni del sistema sono state validate da specialisti medici, mostrando una forte concordanza con le diagnosi tradizionali. Un'innovazione chiave di questo studio è l'uso di dati strutturati degli emocromi.

Pagina's: 84, Paperback, Edizioni Sapienza