Data Mining Techniques for Endometriosis Detection in a Data-Scarce Medical Dataset
Rattachement africain : es. Niveau de preuve : code pays fourni par la source.
Le résumé fourni par la source
Endometriosis (EM) is a chronic inflammatory estrogen-dependent disorder that affects 10% of women worldwide. It affects the female reproductive tract and its resident microbiota, as well as distal body sites that can serve as surrogate markers of EM. Currently, no single definitive biomarker can diagnose EM. For this pilot study, we analyzed a cohort of 21 patients with endometriosis and infertility-associated conditions. A microbiome dataset was created using five sample types taken from the reproductive and gastrointestinal tracts of each patient. We evaluated several machine learning algorithms for EM detection using these features. The characteristics of the dataset were derived from endometrial biopsy, endometrial fluid, vaginal, oral, and fecal samples. Despite limited data, the algorithms demonstrated high performance with respect to the F1 score. In addition, they suggested that disease diagnosis could potentially be improved by using less medically invasive procedures. Overall, the results indicate that machine learning algorithms can be useful tools for diagnosing endometriosis in low-resource settings where data availability and availability are limited. We recommend that future studies explore the complexities of the EM disorder using artificial intelligence and prediction modeling to further define the characteristics of the endometriosis phenotype.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- Data Mining Techniques for Endometriosis Detection in a Data-Scarce Medical Dataset
- Date Crossref
- 04/03/2024
- Éditeur
- MDPI AG
- Type
- journal-article
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.
Où se fait cette recherche
-
Universidad de Sevilla pays non établi dans la noticeUniversité ou école supérieure
-
University of Seville International Doctorate School pays non établi dans la noticeUniversité ou école supérieure
-
Faculty of Economics and Business Sciences Department of Applied Economic I pays non établi dans la noticeUniversité ou école supérieure
-
Higher Technical School of Computer Engineering Department of Computer Science pays non établi dans la noticeUniversité ou école supérieure
-
Faculty of Dentistry Department of Stomatology pays non établi dans la noticeUniversité ou école supérieure
Universidad de Sevilla, International Doctorate School — University of Seville et Department of Applied Economic I — Faculty of Economics and Business Sciences, avec 2 autres affiliations.
Une affiliation ne permet pas de déduire la nationalité d’un auteur.