Analyse basée sur l'intelligence artificielle des modèles d'uroflowmetry chez les enfants: une perspective d'apprentissage automatique

L'étude comprenait des tests d'uroflowmetry d'enfants âgés de 4 à 17 ans qui ont été référés à notre clinique avec des symptômes de voies urinaires plus faibles. Les modèles d'uroflowmetry ont été interprétés indépendamment par trois experts en urologie pédiatrique. Les écarts dans les interprétations ont été réévalués conjointement par les trois observateurs, et un consensus a été atteint. Le volume d'annulation, la durée d'annulation et les débits d'urine à des intervalles de 0,5 seconde ont été convertis en données numériques pour l'analyse. Quatre-vingt pour cent de l'ensemble de données ont été utilisés comme données de formation pour l'apprentissage automatique, tandis que 20% étaient réservés aux tests. Un total de cinq modèles d'apprentissage automatique différents ont été utilisés pour la classification: arbre de décision, forêt aléatoire, catboost, xgboost et légergbm. Les modèles qui ont identifié le plus avec précision chaque modèle de métro-métro ont été déterminés.