Jorge Gómez Gómez / VELSSY HERNÁNDEZ RIAÑO
Librería Samer Atenea
Kálamo Books
Librería Elías (Asturias)
Librería Kolima (Madrid)
Librería Proteo (Málaga)
Niniejsze badanie przedstawia system oparty na uczeniu maszynowym do wczesnego przewidywania anemii sierpowatej przy użyciu ustrukturyzowanych danych klinicznych z morfologii krwi pacjentów. Proponowane podejście ma na celu rozwiązanie problemu ograniczeń konwencjonalnych metod diagnostycznych, które są zazwyczaj kosztowne, czasochłonne i wymagają specjalistycznej infrastruktury laboratoryjnej. Celem było zidentyfikowanie najlepiej działającego modelu i opracowanie aplikacji, która mogłaby być wykorzystywana przez personel medyczny w trudno dostępnych miejscach jako narzędzie wspierające wczesną diagnostykę tej choroby. Spośród ocenianych modeli najlepsze wyniki uzyskał model Random Forest, osiągając dokładność 98%, czułość 98% i wynik F1 na poziomie 98%. Jego doskonałe wyniki przypisuje się zdolności do uchwycenia nieliniowych interakcji między zmiennymi hematologicznymi, które są kluczowe dla diagnozy klinicznej. Przewidywania systemu zostały zweryfikowane przez lekarzy specjalistów, wykazując dużą zgodność z tradycyjnymi diagnozami. Kluczową innowacją tego badania jest wykorzystanie ustrukturyzowanych danych z morfologii krwi.