메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색

논문 기본 정보

자료유형
학술저널
저자정보
Kang Noeul (Division of Allergy, Department of Medicine, Samsung Medical Center, Sungkyunkwan University School of Medicine, Seoul, Korea.) Lee KyungHyun (Department of Electronics Engineering, Incheon National University, Incheon, Korea.) Byun Sangwon (Department of Electronics Engineering, Incheon National University, Incheon, Korea.) Lee Jin-Young (Health Promotion Center, Samsung Medical Center, Seoul, Korea.) Choi Dong-Chull (Division of Allergy, Department of Medicine, Samsung Medical Center, Sungkyunkwan University School of Medicine, Seoul, Korea.) Lee Byung-Jae (Division of Allergy, Department of Medicine, Samsung Medical Center, Sungkyunkwan University School of Medicine, Seoul, Korea.)
저널정보
대한천식알레르기학회(구 대한알레르기학회) Allergy, Asthma & Immunology Research AAIR Vol.16 No.1
발행연도
2024.1
수록면
42 - 54 (13page)
DOI
10.4168/aair.2024.16.1.42

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색

초록· 키워드

오류제보하기
Purpose: The methacholine challenge test (MCT) has high sensitivity but relatively low specificity for asthma diagnosis. This study aimed to develop and validate machine learning (ML) models to improve the diagnostic performance of MCT for asthma. Methods: Data from 1,501 patients with asthma symptoms who underwent MCT bet-ween 2015 and 2020 were analyzed. The patients were grouped as either the training (80%, n = 1,265) and test sets (20%, n = 236) depending on the time of referral. The conventional model (provocative concentration that causes a 20% decrease in forced expiratory volume in one second [FEV1]; PC20 ≤ 16 mg/mL) was compared with the prediction models derived from five ML methods: logistic regression, support vector machine, random forest, extreme gradient boosting, and artificial neural network. The area under the receiver operator characteristic curves (AUROC) and area under the precision-recall curves (AUPRC) of each model were compared. The prediction models were further analyzed using different input combinations of FEV1, forced vital capacity (FVC), and forced expiratory flow at 25%–75% of forced vital capacity (FEF25%–75%) values obtained during MCT. Results: In total, 545 patients (36.3%) were diagnosed with asthma. The AUROC of the conventional model was 0.856 (95% confidence interval [CI], 0.852–0.861), and the AUPRC was 0.759 (95% CI, 0.751–0.766). All the five ML prediction models had higher AUROC and AUPRC values than those of the conventional model, and random forest showed both highest AUROC (0.950; 95% CI, 0.948–0.952) and AUROC (0.909; 95% CI, 0.905–0.914) when FEV1, FVC, and FEF25%–75% were included as inputs. Conclusions: Artificial intelligence-based models showed excellent performance in asthma prediction compared to using PC20 ≤ 16 mg/mL. The novel technology could be used to enhance the clinical diagnosis of asthma.
#Artificial intelligence #asthma #bronchial provocation test #asthma prediction #methacholine challenge test #machine learning #AUROC

목차

등록된 정보가 없습니다.

참고문헌 (0)

참고문헌 신청
참고문헌이 DBpia에서 서비스 중이라면, [참고문헌 신청]을 통해 등록해보세요

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

최근 본 자료

전체보기

댓글(0)

0