Fortschritte und Optimierungen bei automatisierten Diagnose- und Behandlungsempfehlungen von HNO-Erkrankungen mit dem neuen Machine Learning-System AURI 2.0

Einleitung Die Integration von maschinellem Lernen in der medizinischen Diagnostik und Behandlung hat erhebliche Fortschritte im Gesundheitssektor gebracht. AURI 2.0 nutzt überwachtes maschinelles Lernen und ein Bayes'sches Netzwerk, um nach der Angabe der Symptomatik durch den Patienten, Diagnose- und Therapieempfehlungen für HNO-Erkrankungen zu liefern. In dieser Studie werden die Fortschritte des Machine Learning-Systems AURI in der neuen 2.0 Version analysiert.

Methode Zum Vergleich der Leistungsfähigkeit der Maschinen werden die automatisierten Ergebnisse mit realen Diagnose- und Therapieempfehlungen durch den Arzt zum selbigen Patienten verglichen. Sensitivität, Spezifität, positiver Prädiktiver Wert, negativer Prädiktiver Wert und Genauigkeit werden verwendet, um die Leistung der Software zu bewerten.

Ergebnisse Die Auswertungen zeigten im Vergleich zu den ärztlichen Diagnosen- und Therapieempfehlungen folgende Ergebnisse. Bei rhinologischen Erkrankungen wurde eine Sensitivität von 80%, eine Spezifität von 100%, ein positiver prädiktiver Wert von 1, ein negativer prädiktiver Wert von 0,818 und eine Genauigkeit von 89% ermittelt.

Diskussion Trotz Herausforderungen in einigen diagnostischen Bereichen weist die Version 2.0 einen bedeutsamen Fortschritt in der automatisierten Diagnose- und Therapieempfehlungen auf. Die Studienergebnisse zeigen, dass automatisierte Diagnoseassistenzsysteme, wie AURI 2.0, eine hilfreiche und effektive Unterstützung in den medizinischen Behandlungsabläufen sein können.

 

Scroll to top

Publikationsverlauf

Artikel online veröffentlicht:
19. April 2024