Construction and Application of a Traditional Chinese Medicine Syndrome Differentiation Model for Dysmenorrhea Based on Machine Learning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Dysmenorrhea is one of the most common ailments affecting young and middle-aged women, significantly impacting their quality of life. Traditional Chinese Medicine (TCM) offers unique advantages in treating dysmenorrhea. However, an accurate diagnosis is essential to ensure correct treatment. This research integrates the age-old wisdom of TCM with modern Machine Learning (ML) techniques to enhance the precision and efficiency of dysmenorrhea syndrome differentiation, a pivotal process in TCM diagnostics and treatment planning. METHODS: A total of 853 effective cases of dysmenorrhea were retrieved from the CNKI database, including patients' syndrome types, symptoms, and features, to establish the TCM information database of dysmenorrhea. Subsequently, 42 critical features were isolated from a potential set of 86 using a selection procedure augmented by Python's Scikit-Learn Library. Various machine learning models were employed, including Logistic Regression, Random Forest Classifier, Support Vector Machine (SVM), K-Nearest Neighbors (KNN), and Artificial Neural Networks (ANN), each chosen for their potential to unearth complex patterns within the data. RESULTS: Based on accuracy, precision, recall, and F1-score metrics, SVM emerged as the most effective model, showcasing an impressive precision of 98.29% and an accuracy of 98.24%. This model's analytical prowess not only highlighted the critical features pivotal to the syndrome differentiation process but also stands to significantly aid clinicians in formulating personalized treatment strategies by pinpointing nuanced symptoms with high precision. CONCLUSION: The study paves the way for a synergistic approach in TCM diagnostics, merging ancient wisdom with computational acuity, potentially innovating the diagnosis and treatment mode of TCM. Despite the promising outcomes, further research is needed to validate these models in real-world settings and extend this approach to other diseases addressed by TCM.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle