Štúdia analyzovala 273 pacientov nad 18 rokov s horúčkou neznámeho pôvodu (FUO) alebo zápalom neznámeho pôvodu (IUO), kde FDG-PET/CT prinieslo diagnostický prínos u 203 pacientov (74,4 %). Cieľom bolo identifikovať klinické a laboratórne premenné určujúce užitočnosť PET/CT a vyvinúť modely strojového učenia na predpoveď skutočne pozitívnych a negatívnych výsledkov. Použili sa algoritmy ako XGBoost, Support Vector Machines, Multilayer Perceptron (MLP), KNN, Random Forest, Decision Tree, Logistic Regression (LR) a Naive Bayes, s výberom funkcií metódou PowerSHAP. Najlepšie výsledky dosiahli MLP (PR-AUC 0,86) a XGBoost (PR-AUC 0,85), pričom pri kombinácii PR-AUC a presnosti vynikli MLP a LR. LR mal hodnoty presnosti 0,75, ROC-AUC 0,74, PR-AUC 0,84, presnosti 0,85, vybavovania 0,86 a F1 skóre 0,83. PowerSHAP ukázal, že nižšie hladiny prokalcitonínu a sedimentácie erytrocytov, dlhšie trvanie symptómov, vyšší vek, generalizovaná bolesť, hospitalizácia a vyšší počet lymfocytov súvisia s vyššou užitočnosťou PET/CT. Modely MLP a LR môžu pomôcť vybrať pacientov, ktorí profitujú z PET/CT, no je potrebná ďalšia validácia.