SZTUCZNA INTELIGENCJA W WYKRYWANIU anemii SIERPOWATEJ: Wdra¿anie modeli sztucznej inteligencji opartych na uczeniu maszynowym do wykrywania sierpowatej

Niniejsze badanie przedstawia system oparty na uczeniu maszynowym do wczesnego przewidywania anemii sierpowatej przy u¿yciu ustrukturyzowanych danych klinicznych z morfologii krwi pacjentów. Proponowane podej¿cie ma na celu rozwi¿zanie problemu ogranicze¿ konwencjonalnych metod diagnostycznych, które s¿ zazwyczaj kosztowne, czasoch¿onne i wymagaj¿ specjalistycznej infrastruktury laboratoryjnej. Celem by¿o zidentyfikowanie najlepiej dziäaj¿cego modelu i opracowanie aplikacji, która mog¿aby by¿ wykorzystywana przez personel medyczny w trudno dost¿pnych miejscach jako narz¿dzie wspieraj¿ce wczesn¿ diagnostyk¿ tej choroby. Spo¿ród ocenianych modeli najlepsze wyniki uzyskä model Random Forest, osi¿gaj¿c dok¿adno¿¿ 98%, czu¿o¿¿ 98% i wynik F1 na poziomie 98%. Jego doskonäe wyniki przypisuje si¿ zdolno¿ci do uchwycenia nieliniowych interakcji mi¿dzy zmiennymi hematologicznymi, które s¿ kluczowe dla diagnozy klinicznej. Przewidywania systemu zostäy zweryfikowane przez lekarzy specjalistów, wykazuj¿c du¿¿ zgodno¿¿ z tradycyjnymi diagnozami. Kluczow¿ innowacj¿ tego badania jest wykorzystanie ustrukturyzowanych danych z morfologii krwi.