Porovnávacia analýza modelov strojového učenia a hlbokého učenia na skorú predikciu ťažkej akútnej pankreatitídy: Multimodeláková štúdia s použitím revidovanej atlantskej klasifikácie z roku 2012

Štúdia porovnávala 11 rôznych modelov strojového učenia a hlbokého učenia na predikciu ťažkej akútnej pankreatitídy (SAP) pomocou rutinných laboratorných hodnôt z prijatia pacienta. Výskum zahŕňal 722 pacientov s akútnou pankreatitídou (585 s ťažkou formou, 137 s ľahkou formou) klasifikovaných podľa revidovanej atlantskej klasifikácie z roku 2012. Najlepšie výsledky dosiahol model Random Forest s AUC hodnotou 0,877, citlivosťou 96,8% a prediktívnou hodnotou pozitívneho výsledku 87,1%. Klasické modely strojového učenia významne prekonali modely hlbokého učenia, pričom najlepší model hlbokého učenia (CNN-LSTM) dosiahol AUC iba 0,777. Výsledky naznačujú, že Random Forest môže poskytnúť spoľahlivú skorú predikciu závažnosti SAP pomocou údajov dostupných pri prijatí pacienta. Pred klinickým nasadením je potrebné ďalšie externé prospektívne overenie.