Priekinio uveito diferencinei diagnozei nustatyti Bajeso tinklo sukūrimas ir patvirtinimas | akis

Priekinio uveito diferencinei diagnozei nustatyti Bajeso tinklo sukūrimas ir patvirtinimas | akis

Anonim

Dalykai

  • Akių apraiškos
  • Imunologiniai sutrikimai

Anotacija

Tikslas

Sukurti ir patvirtinti Bajeso įsitikinimų tinklo algoritmą priekinio uveito diferencinei diagnozei nustatyti.

Pacientai ir metodai

Buvo įtraukta 11 labiausiai paplitusių etiologijų (idiopatinis, ankilozinis spondilitas, psoriazinis artritas, reaktyvusis artritas, uždegiminės žarnyno ligos, sarkoidozė, tuberkuliozė, Behçet, Posner-Schlossman sindromas, nepilnamečių idiopatinis artritas (JIA) ir Fuchso heterochrominis ciklitas). Sistemingos literatūros apžvalgos metu buvo nustatyti dažnių ryšiai tarp veiksnių ir etiologijų. Paplitimas buvo apskaičiuotas naudojant atsitiktinę 200 pacientų, kuriems diagnozuota priekinio uveito diagnozė 2012 m. Moorfieldso akių ligoninėje, imtį. Tinklas buvo patvirtintas atsitiktine 200 pacientų, gavusių priekinio uveito diagnozę toje pačioje ligoninėje 2013 m., Plius 10 papildomų atvejų. rečiausių etiologijų (JIA, Behçet ir psoriazinis artritas).

Rezultatai

63, 8% pacientų etiologija pagal algoritmą labiausiai atitiko vyresniojo gydytojo diagnozę. 80, 5% pacientų gydytojo diagnozė atitiko pirmąjį ar antrąjį tikėtiniausius rezultatus pagal algoritmą. Atsižvelgiant į tikėtiniausią diagnozę pagal algoritmą, jautrumas kiekvienai etiologijai svyravo nuo 100% (7 iš 7 pacientų, sergančių reaktyviu artritu, ir 5 iš 5, kuriems teisingai klasifikuojamas Behçet) iki 46, 7% (7 iš 15 pacientų, sergančių tuberkuliozės sukeltu uveitu ). Specifiškumas buvo nuo 88, 8% sarkoidozės iki 99, 5% Posner.

Išvados

Šis algoritmas galėtų padėti gydytojams diferencinėje diagnozėje nustatyti priekinį uveitą. Be to, tai galėtų padėti atrenkant atliktus diagnostinius testus.

Įvadas

Priekinio uveito diferencinė diagnozė dažnai būna sudėtinga jaunesniajam ir bendrajam oftalmologams. Skirtingų ligų, sukeliančių priekinį uveitą, diagnozė grindžiama skirtingais požymiais (priekinės kameros ląstelėmis ir paūmėjimu, keratinėmis nuosėdomis, sinachijomis, rainelės atrofija, rainelės mazgeliais, akispūdžiu ir užpakaliniu uždengimu), simptomais (regos aštrumu ir skausmu) ir epidemiologiniais požymiais. charakteristikos (amžius, lytis ir protėviai). Klinikoje dažnai randami pacientai, kuriems būdingos tik vienos iš diagnozių savybės, bet ne visos, ir kai kurie kitos diagnozės požymiai. Dažniausiai pagalbiniai testai padidina kai kurių diagnozių tikimybę po tyrimo (AKS - sarkoidui, tuberkulino odos tyrimas TB, sifilio serologija). Tačiau turime keletą patvirtinančių testų (PGR virusiniam uveitui nustatyti, HLA-B27). Taigi tiksli diagnozė dažnai būna sunkiai pasiekiama. 1

Greitai diagnozavus kai kurias ligas, pacientas gali būti geriau valdomas, ypač jei jis sistemingai susijęs.

Bayes'o teorema buvo pomirtiškai pristatyta 1763 m., Kai jį gerbė Tomas Bayes'o draugas Richardas Price'as. Bayes'o teorema susieja tikėjimo teiginiu prieš ir po jo laipsnį, atsižvelgiant į įrodymus. Šią teoremą kompiuterių mokslininkai panaudojo kurdami sudėtinius tinklus, kurie buvo naudojami dirbtiniam intelektui, pavadintą „Bayesian Belief Networks“. Neseniai jo naudojimas išplėtė socialinius mokslus, biologiją ir mediciną. Jis buvo plačiai naudojamas medicininėje diagnozėje. 2

Pirmasis mūsų tikslas buvo įdiegti Bajeso įsitikinimų tinklo algoritmą, skirtą diferencinei diagnozei dažniausiai pasitaikančių priekinio uveito priežasčių, remiantis praneštomis klinikinėmis kiekvienos etiologijos ypatybėmis ir kiekvienos etiologijos dažniu mūsų centre. Antrasis tikslas buvo išmatuoti 11 bendrų priekinio uveito priežasčių etiologinės diagnozės algoritmo diagnostinius gebėjimus.

medžiagos ir metodai

Tyrimą patvirtino „Moorfields Eye Hospital“ tyrimų komitetas, tyrimo numeris ROAD 13/009. Visi tyrimai laikėsi Helsinkio principų deklaracijos principų.

Algoritmo kūrimas

Diagnostinei demonstracijai buvo atrinktos 11 dažniausiai pasitaikančių priekinio uveito priežasčių (idiopatinis, ankilozinis spondilitas, psoriazinis artritas, reaktyvusis artritas, uždegiminės žarnyno ligos, sarkoidozė, tuberkuliozė, Behçet, Posner-Schlossman sindromas, nepilnamečių idiopatinis artritas (JIA) ir Fuchs '. heterochrominis ciklitas).

Bajeso tinklas buvo sukurtas naudojant „OpenMarkov“ programinę įrangą - atvirą „Java“ programinę įrangą, skirtą „Bayesian Belief Networks“ projektuoti. 3 Jį galima atsisiųsti iš //www.openmarkov.org/org.openmarkov.full-0.1.4.jar.

Sąlyginės tikimybės Bajeso teorema išreiškiama taip:

Image

Tačiau atliekant medicininius tyrimus Bayes'o teorema dažnai supaprastinama. Mes kalbame apie tikimybę prieš testą, kai remiamės paciento, sergančio uveitu, nustatyta etiologija, atitinkančia santykinį šios etiologijos dažnį populiacijoje, tikimybę. Mes kalbame apie tikimybę po tyrimo, kai kalbame apie paciento, sergančio uveitu, tikimybę ir kitą ypatingą savybę (pvz., Hipopiono buvimą), turinčią nustatytą etiologiją (pvz., Behçet). Taigi p ( A ) yra prieš bandymą tikimybė, o p ( A | B ) yra po bandymo tikimybė. p ( B | A ) / p ( B ) gali būti apibrėžtas kaip tikimybės santykis, ir tai galima apskaičiuoti pagal jautrumą ir specifiškumą:

Image

Image

Taigi formulę galima supaprastinti taip: Tikimybė po bandymo = (Tikimybė prieš testą) · (Tikimybės santykis)

Jei norime sujungti dvi ar daugiau charakteristikų (pavyzdžiui, rainelės mazgelius ir kataraktą), tada apskaičiuojame bandymo po bandymo tikimybę, padauginę išankstinio bandymo tikimybę iš visų normalizuotų tikimybių kartu.

Pagrindinis Bajeso įsitikinimų tinklo mazgas buvo uveito etiologija. Atsitiktiniai mazgai, atspindintys įvairius veiksnius, turinčius įtakos etiologijai, buvo suskirstyti į šias grupes: lytis, akių simptomai pateikiant akis, akių požymiai, sisteminiai požymiai ir simptomai bei laboratoriniai duomenys. Atliekant sistemingą literatūros apžvalgą, buvo nustatyti šių veiksnių ir įtrauktų etiologijų ryšio dažniai. Anksčiau aprašyta Fuchs heterochrominio 4 ciklito metodika buvo pakartota likusių etiologijų, įtrauktų į Bajeso įsitikinimų tinklą, atžvilgiu. Apibendrinant buvo ieškoma MEDLINE, EMBASE, LILACS, Pascal, disertacijos santraukų, regos ir oftalmologijos tyrimų asociacijos pranešimų, tarptautinių uveito simpoziumų ir rastų apžvalginių straipsnių sąrašų. Atvejų serijos buvo svarstomos, jei jose dalyvavo daugiau kaip 20 pacientų, turinčių vieną priekinio uveito etiologiją, arba daugiau kaip 50 pacientų, sergančių bet kurios priežasties priekiniu uveitu. Kai nustatytam dažniui buvo naudojamos daugiau nei vienos serijos, rezultatams sujungti buvo naudojami fiksuoto modelio metaanalizės metodai. Kai nebuvo duomenų apie konkretų uveito etiologijos požymį ar simptomą, buvo naudojamasi to ženklo ar simptomo paplitimu populiacijoje. Atitinkami straipsniai, naudojami nustatant asociacijų dažnį, yra įtraukti į 1 papildomą priedą.

Trūkstamų duomenų labai gerai toleruoja algoritmas. Algoritmas apskaičiuoja kiekvieno trūkstamo kintamojo tikimybes, remdamasis žinomais kintamaisiais ir prieš bandymą atliktomis tikimybėmis. Taigi, norint gauti mūsų atvejo diagnostinę tikimybę, į tinklą reikia įvesti tik žinomus kintamuosius.

Siekdami apibrėžti kiekvienos skirtingos etiologijos paplitimą mūsų populiacijoje, nustatėme visus pacientus, kuriems nuo 2012 m. Sausio 1 d. Iki 2012 m. Gruodžio 31 d. Moorfieldo akių ligoninės uveito klinikoje buvo diagnozuota nauja priekinio uveito diagnozė. Atsitiktinė 200 pacientų atranka. buvo parinktas naudojant kompiuterizuotą atsitiktinių skaičių generatorių, o jų pastabas peržiūrėjo vienas iš autorių (JJG-L). Šie pacientai buvo klasifikuojami pagal jų uveito priežastį, kurią diagnozavo vyresnioji gydytoja. Kai kurios priekinio uveito priežastys neįtrauktos į mūsų galimų diagnozių sąrašą. Jei atsitiktinėje imtyje buvo rasta kuri nors iš šių priežasčių, ji nebuvo įtraukta ir buvo pasirinktas naujas atsitiktinis atvejis. Taigi „idiopatinių“ kategorijų atvejai iš tikrųjų yra idiopatiniai po visų susijusių tyrimų.

Baigtas tinklas buvo tiriamas nedaugeliui atrinktų pacientų su žinomomis diagnozėmis, siekiant patvirtinti mūsų požiūrio pagrįstumą. Siekiant patikrinti modelio tvirtumą, tyrimas buvo pakartotas išlyginus 11 etiologijų prieš testą tikimybes (lygi prieš bandymą 9, 09% tikimybė kiekvienai etiologijai).

Algoritmo patvirtinimas

Atliktas retrospektyvus diagnostinio tyrimo patvirtinimas.

Patvirtinimo imtis buvo atrinkta tarp visų pacientų, kuriems 2013 m. Sausio 1 d. – 2013 m. Gruodžio mėn. Moorfieldso akių ligoninėje buvo gauta nauja priekinio uveito diagnozė. Atsitiktinė 200 pacientų imtis buvo atrinkta naudojant kompiuterinį atsitiktinių skaičių generatorių, o jų pastabos buvo peržiūrėtos vieno autorių (JJG-L). Epidemiologiniai duomenys, klinikiniai požymiai ir simptomai bei papildomų tyrimų rezultatai buvo gauti iš paciento klinikinių pastabų. Duomenis į algoritmą įvedė kitas autorius (DS-P), kuris buvo paslėptas dėl vyresniojo gydytojo diagnozės. Algoritmu gauti rezultatai buvo palyginti su vyresniojo gydytojo diagnoze, kuri buvo laikoma aukso standartu.

Siekiant pagerinti neįprasčiausios diagnozės įvertinimą, imtį praturtino trys JIA atvejai, trys uveito, susijusio su psoriaziniu artritu, atvejai ir keturi Behçet ligos atvejai. Tvirtumo analizė buvo atlikta naudojant antrą algoritmą su išlygintomis 11 etiologijų prieš bandymą tikimybėmis.

Rezultatai

Algoritmo kūrimas

Sausio 1 d. – 2012 m. Gruodžio 31 d. 29orf pacientams buvo diagnozuota priekinio uveito diagnozė Moorfieldso akių ligoninėje. Iš jų 200 pacientų (6, 77%) buvo atrinkti atsitiktine tvarka ir jų pastabos buvo peržiūrėtos siekiant nustatyti kiekvienos būklės paplitimą mūsų gyventojų. 1 lentelė apibendrina šias išvadas.

Pilno dydžio lentelė

Kaip pavyzdys, 2 lentelė iliustruoja bendro vitrito paplitimo pacientų, sergančių Fucho heterochrominiu ciklitu, skaičiavimą, naudojant fiksuotų efektų metaanalizę, kaip buvo pranešta anksčiau. 4

Pilno dydžio lentelė

Tai buvo pakartota visoms demografinėms ir akių charakteristikoms esant 11 pasirinktų uveito sąlygų.

Galutinį Bajeso tikėjimo tinklą galima atsisiųsti ir naudoti papildomoje medžiagoje (2 papildomas priedas). Jis buvo išleistas pagal „Creative Commons Attribution-nekomercinis-NoDerivative 4.0“ tarptautinę licenciją. Jis gali būti laisvai platinamas nepakitęs ir nekomerciniais tikslais, jei nurodoma autorystė.

Dešimt tipiškų atvejų buvo naudojama siekiant įvertinti Bejeso tinklo projekto tikslumą ir patikimumą. Šie rezultatai pateikti 3 lentelėje. 1 paveiksle pavaizduota algoritmo grafinė sąsaja, naudojama vienam iš šių imčių pacientų, kuriems buvo nustatyta klinikinė ir Bajeso tinklo prognozuojama sarkoidozė. Dauguma rezultatų, įskaitant visų ligų tikimybes ir jų tvarką, buvo panašūs į tikrąją vyresniųjų klinikų gydytojų diagnozę.

Pilno dydžio lentelė

Image

Bajeso tinklo algoritmo, veikiančio naudojant „OpenMarkov“ 0.0.1 versiją (UNED, Madridas, Ispanija), ekrano nuotraukos. a) Leidimo būdas. b) išvadų režimas prieš įvedant informaciją apie atvejį. Centriniame mazge stebimos tikimybės (uveitas) atitinka stebėtą paplitimą mūsų populiacijoje. c) išvadų režimas įvedus stebimus 1 paciento duomenis 3 lentelėje (paryškinta pilka spalva). Pasikeitė kiekvienos etiologijos centriniame mazge tikimybės, todėl sarkoidozė yra labiausiai tikėtina diagnozė šiam pacientui.

Visas dydis

Patvarumo bandymo rezultatai pateikti 4 lentelėje. Labiausiai tikėtina, kad etiologija ir toliau sutiko su klinikine diagnoze, net iš naujo nustatant prieš bandymą tikimybes.

Pilno dydžio lentelė

Algoritmo patvirtinimas

Moorfieldso akių ligoninėje nuo 2013 m. Sausio 1 d. Iki 2013 m. Gruodžio 31 d. Diagnozuotas priekinis uveitas diagnozuotas 3674 pacientams. Tarp jų 200 pacientų (5, 44%) buvo atsitiktinai parinkti patvirtinimo grupei. Be to, siekiant pagerinti šių etiologijų vertinimą, į kohortą buvo įtraukta 10 nedažniausių diagnozių (3 JIA atvejai, 3 psoriazinio artrito atvejai ir 4 Behçet atvejai).

136 iš 210 pacientų (64, 8%) labiausiai tikėtina etiologija pagal algoritmą atitiko vyresniojo gydytojo diagnozę. 169 iš 210 pacientų (80, 5%) gydytojo diagnozė pagal algoritmą atitiko pirmuosius ar antruosius tikėtiniausius rezultatus. 5 lentelėje (pagal paplitimą pakoreguotas modelis) parodytas kiekvieno atskiros diagnozės algoritmo jautrumas ir specifiškumas. Atsižvelgiant į tikėtiniausią diagnozę pagal algoritmą, jautrumas kiekvienai etiologijai svyravo nuo 100% (7 iš 7 pacientų, turinčių reaktyvųjį artritą, ir 5 iš 5, kuriems teisingai klasifikuojamas Behçet) iki 51, 2% (43 iš 84 pacientų, sergančių idiopatiniu priekiniu uveitu). . Specifiškumas svyravo nuo 88, 8% sarkoidozės iki 99, 5% nuo Posnerio-Schlossmano sindromo.

Pilno dydžio lentelė

Išsamiai apžvelgėme tris pacientus, sergančius Fuchso heterochrominiu ciklitu, kurie buvo neteisingai klasifikuoti pagal algoritmą, kaip uveito tipo, turinčio aiškią klinikinę formą, pavyzdį, tačiau neturint tiksliai apibrėžtų diagnostinių kriterijų. Vienam iš pacientų buvo neteisingai priskirtas psoriazinis artritas, nes jis skundėsi nugaros skausmais. Othe buvo neteisingai klasifikuojamas kaip Posnerio-Schlossmano sindromas, tikriausiai todėl, kad akispūdis pristatymo metu buvo didesnis nei 25 mm Hg. Trečiasis pacientas buvo klasifikuojamas kaip idiopatinis, tačiau Fuchso diagnozė buvo antra.

Antrasis modelis su vienodomis visų 11 etiologijų prieš bandymą tikimybėmis (5 lentelė, tvirtumo analizė) teisingai klasifikavo 87 iš 210 (41, 4%) pagal labiausiai tikėtiną etiologiją, o 109 iš 210 (51, 9%) - pagal pirmą ar antrą tikėtiną etiologiją. .

Diskusija

Anksčiau buvo pranešta apie Bajeso įsitikinimų tinklų naudojimą įvairių ligų diferencinei diagnozei nuo prostatos 5, 6 ir krūties pažeidimų 7 iki demencijos. 8 Kiek mums yra žinoma, tai yra pirmas kartas, kai ši metodika taikoma diferencinei uveito diagnozei. Mes parodėme, kad „Bayesian Belief“ tinklas sugeba teisingai klasifikuoti įprastus priekinio uveito atvejus, sutikdamas su vyresniojo gydytojo atlikta diagnoze didele procentine dalimi. Įdomu tai, kad specifiškumas paprastai yra labai didelis, todėl jį galima užtikrintai naudoti siekiant pašalinti mažiau tikėtinas etiologijas. Jautrumas labai skyrėsi tarp skirtingų etiologijų. Ligos su tiksliai apibrėžtais diagnostiniais kriterijais buvo lengvai identifikuotos (100 proc. Nuo Behçet ligos ir reaktyvaus artrito, 80 proc. Dėl ankilozinio spondilito). Tačiau tie, kurie turi blogai apibrėžtus diagnostinius kriterijus arba kurių diagnozė yra pašalinama ir labiau priklauso nuo klinikinės kompetencijos, dažniau neteisingai diagnozavo algoritmą (46, 7 proc. - akių tuberkuliozė, 51, 2 proc. - idiopatinė). Į tai reikia atsižvelgti naudojant algoritmą, nes su TB susijusi liga gali prireikti specialaus gydymo ir kitų su TB susijusių ligų tyrimo. Su tuberkulioze susijusio uveito diagnozė yra labai sudėtinga gydytojui, todėl šiuo metu nėra jautrių ar specifinių tyrimų. 9 Gali būti, kad mūsų algoritmas tiesiog atspindi tai. Nepaisant to, ateityje planuojame tai patikslinti, atsižvelgiant į naujas žinias apie su TB susijusį uveitą.

Manome, kad šio algoritmo taikymas galėtų padėti mažiau patyrusiems gydytojams atlikti diferencinę uveito diagnozę. Be to, tai galėtų padėti priimti sprendimus dėl papildomų bandymų užklausų. Tam tikro paciento tinkle gali būti imituojami pokyčiai tarp tikrinimo prieš ir po tyrimo. Taigi testai, kurie reikšmingai modifikuoja tikimybes, gali būti teikiami pirmenybė tiems, kurie nekeičia po bandymo tikimybės. Tai galėtų padėti gydytojams efektyviau naudoti išteklius sunkumus patiriančioje ekonomikoje.

Kita naudinga šio algoritmo programa galėtų būti pagalba atliekant tele diagnozę kaimo ar izoliuotose bendruomenėse, leidžiant nustatyti pacientus, kuriems reikės išsamesnio tyrimo.

Svarbu tai, kad šis algoritmas neturėtų būti laikomas tiksliu bandymu, o kaip naudinga priemonė, galinti padėti priimti medicininius sprendimus. Pagrindinė jo vertė yra kandidatų etiologijų išryškinimas ir klinikinės diagnozės nustatymo būdas. Sergant uveitu, diagnozės tikrumas retai būna tikras, o daugeliu atvejų dažnai yra kelios tikėtinos diagnozės. Algoritmo pranašumas yra tas, kad jis suteikia pagrindą diagnozės tikimybei išreikšti tikimybiškai.

Autoriai pataria kiekvienam klinikos gydytojui, norinčiam naudoti šį įrankį savo pacientams, pakeisti vartojimo paplitimą atsižvelgiant į jų populiaciją. Tai galima lengvai padaryti naudojant „OpenMarkov“ programinę įrangą ir tai yra būtina norint optimizuoti algoritmą. B27 pozityvumas mūsų mėginyje buvo mažesnis, nei tikėtasi, nes nustatyta, kad šis alelis turi iki 50% priekinio uveito. 10 Taip gali būti dėl to, kad mūsų yra tretinis siuntimo centras, o dauguma su B27 susijusių priekinio uveito atvejų gali būti gydomi antriniuose skyriuose. Taigi paplitimas, kurį stebėjome, tikriausiai bus panašesnis į tretinio uveito centrų nei antrinės priežiūros akių klinikų. Tvirtumo analizė parodė, kad jei paplitimas nėra koreguojamas su vietos gyventojais, modelis dažnai neteisingai priskiria pacientą prie rečiausių etiologijų. Įdomu tai, kad tvirtumo analizė parodė labai mažą jautrumą diagnozuojant idiopatinį uveitą. Idiopatinio priekinio uveito atvejai gali būti labai heterogeniški, ir tai yra pašalinimo diagnozė. Tai rodo, kad atmetus idiopatinės išankstinės patikros tikimybę, algoritmas yra linkęs pacientus priskirti etiologinei diagnozei, net jei paciento išvados nepakanka, kad jiems būtų galima priskirti tą diagnozę.

Tyrime mes panaudojome atsitiktinę 200 atvejų imtį, kad apskaičiuotume skirtingų etiologijų paplitimą mūsų rajone. Darant prielaidą, kad binominis pasiskirstymas ir stebimas paplitimas yra 1%, mums reikėjo mažiausiai 914 atvejų imties, kad būtų 95% tikimybė pastebėti mažiausiai 5 Behçet ligos atvejus, tai yra rečiausia etiologija mūsų tyrime. . Vartotojai turėtų nepamiršti parinkti mažiausią imtį, kuri leistų tiksliai įvertinti retesnių uveito priežasčių paplitimą. Mūsų tyrime, kadangi tokios didelės apimties patvirtinimo imties įsigijimas būtų buvęs nepraktiškas, nusprendėme praturtinti atsitiktinio patikrinimo imtį keliais neatsitiktiniais retesnės etiologijos atvejais, kad į etiologiją būtų įtraukti bent penki atvejai.

Mūsų modelyje yra keletas apribojimų. Pirma, kai kurie svarbūs susirgimai, tokie kaip herpetinis uveitas, sifilis ar išsėtinė sklerozė, nebuvo įtraukti į etiologų kandidatus. Uveitas gali būti antrinis daugeliui skirtingų ligų, tiek infekcinių, tiek neinfekcinių. Dėl praktinių priežasčių etiologijų skaičių turėjome apriboti dažniausiai. Į naujas algoritmo versijas planuojame įtraukti daugiau etiologijų, jei bus nustatyta, kad ji naudinga klinikinėje praktikoje.

Antra, paciento amžius yra labai svarbi uveito diagnozės ypatybė. Šis nuspėjamasis veiksnys buvo atmestas, nes jis nėra dvejetainis ir jį įtraukęs būtų buvęs daug sudėtingesnis algoritmo kūrimas. Vėlgi, jei manome, kad algoritmas yra naudingas klinikinėje praktikoje, planuojame į būsimas programinės įrangos versijas įtraukti funkciją vaikas prieš suaugusįjį.

Galiausiai, dar vienas svarbus šio tyrimo apribojimas yra jo retrospektyvus pobūdis. Kai kurie požymiai ir simptomai gali būti praleisti pastabose byloje ir jų negalėjo būti įvesta į modelį. Tradiciškai klinikų gydytojai ne visada užfiksuoja neigiamų požymių nebuvimą, nors tai gali būti dokumentuojama šalyse, kuriose sveikatos priežiūros sistemos yra teismingesnės. Šie neprieinami duomenys algoritme buvo traktuojami kaip trūkstama informacija, kuri galėjo dirbtinai susilpninti algoritmo diagnostines galimybes.

Apibendrinant, sukurtas Bajeso tinklas gali padėti gydytojams diferencinėje diagnozėje nustatyti priekinį uveitą. Be to, tai gali padėti atrenkant atliktus diagnostinius testus, išvengiant tų, kurie nepakeis tikimybių po tyrimų. Tačiau norint atlikti patikimą Bajeso tinklo diagnostinių charakteristikų patikrinimą pagal vyresniųjų klinikų gydytojų aukso standartą, reikės atlikti didelį perspektyvų tyrimą.

Image

Papildoma informacija

„Word“ dokumentai

  1. 1.

    Papildoma informacija 1

ZIP failai

  1. 1.

    2 papildoma informacija

    Prie šio dokumento pridedama papildoma informacija „Eye“ svetainėje (//www.nature.com/eye)