Все
Издания
Телеграм
Карта зообизнеса
Профиль
Исследователи из Великобритании показали, что методы машинного обучения могут существенно повысить точность прижизненной диагностики инфекционного перитонита кошек (FIP) — заболевания, которое до сих пор остаётся одной из самых сложных диагностических задач в клинической практике. Работа была выполнена на базе британской лабораторной сети Veterinary Diagnostic Services (VDS) и основана на анализе рутинных лабораторных и клинических данных, без использования специализированных или дорогостоящих тестов.
Целью исследования стало изучение возможности создания на основе стандартной информации из лабораторных информационных систем надёжной прогностической модели, способной различать FIP и другие заболевания со сходной клинической картиной. По словам исследователей, особый интерес представляла возможность повысить диагностическую точность по сравнению с отдельными лабораторными показателями и снизить зависимость от инвазивных и ограниченно доступных методов подтверждения диагноза.
В анализ вошли данные 718 кошек с выпотами различной этиологии, полученные из лабораторной информационной системы VDS в Великобритании. Набор включал сигнальные данные, клинические признаки, биохимические показатели и характеристики выпота. После очистки данных и отбора признаков для моделирования использовали 32 параметра, из которых в финальную модель вошли 20 наиболее информативных. Для обучения и проверки алгоритмов применяли несколько методов машинного обучения, включая логистическую регрессию, наивный байесовский классификатор, метод опорных векторов, метод случайного леса и градиентный бустинг, с разделением данных на обучающую, валидационную и тестовую выборки.
Наилучшие результаты показала ансамблевая модель, объединившая лабораторные маркеры, клинические признаки, данные о пациенте и локализацию выпота. На тестовой выборке точность диагностики составила 96,5%, чувствительность — 98,85%, специфичность — 94,12%. Площадь под ROC-кривой превышала 96%, что, по мнению исследователей, указывает на высокую способность модели различать FIP и не-FIP заболевания. Ошибки классификации были единичными и включали как ложноположительные, так и ложноотрицательные случаи.
Авторы отмечают, что результаты демонстрируют практический потенциал использования машинного обучения как инструмента поддержки клинических решений при подозрении на FIP. Такой подход позволяет извлекать дополнительную диагностическую ценность из уже доступных лабораторных данных и может снизить потребность в инвазивных процедурах. Исследователи подчёркивают, что дальнейшее расширение базы данных и включение пациентов на разных стадиях заболевания позволит ещё больше повысить надёжность и клиническую применимость модели.
Источник: mdpi.com
