Predicting risk of acute appendicitis: A comparison of artificial neural network and logistic regression models
Notice bibliographique
Résumé
Acute appendicitis is considered as one of the most prevalent diseases needing urgent action. Diagnosis of appendicitis is often complicated, and more precision in diagnosis is essential. The aim of this paper was to construct a model to predict acute appendicitis based on pathology reports. The analysis included 181 patients with an early diagnosis of acute appendicitis who had admitted to Shahid Modarres hospital. Two well-known neural network models (Radial Basis Function Network (RBFNs) and Multi-Layer Perceptron (MLP)) and logistic regression model were developed based on 16 attributes related to acute appendicitis diagnosis respectively. Statistical indicators were applied to evaluate the value of the prediction in three models. The predicted sensitivity, specificity, positive predicted value, negative predictive values, and accuracy by using MLP for acute appendicitis were 80%, 97.5%, 92.3%, 93%, and 92.9%, respectively. Maine variables for correct diagnosis of acute appendicitis were leukocytosis, sex and tenderness, and right iliac fossa pain. According to the findings, the MLP model is more likely to predict acute appendicitis than RBFN and logistic regression. Accurate diagnosis of acute appendicitis is considered an essential factor for decreasing mortality rate. MLP based neural network algorithm revealed more sensitivity, specificity, and accuracy in timely diagnosis of acute appendicitis.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».