Clinical decision support for vestibular diagnosis: large-scale machine learning with lived experience coaching
Rattachement africain : kr. Niveau de preuve : code pays fourni par la source.
Le résumé fourni par la source
Diagnosing vestibular disorders remains challenging due to complex symptoms and extensive history-taking required. While machine learning approaches have shown promise in medical diagnostics, their application to vestibular disorder classification has been limited. We developed a CatBoost machine learning model to classify six common vestibular disorders using a retrospective dataset of patients. The model incorporates 50 clinical features, selected through a hybrid approach combining algorithmic methods (RFE-SVM and SKB score) and expert clinical knowledge. We designed the system to achieve high sensitivity for common vestibular disorders (BPPV and VM) and high specificity for conditions requiring intensive interventions (MD and HOD) or careful differential diagnosis (PPPD and VEST) to minimize unnecessary invasive treatments. When applied to test data, reaches 88.4% accuracy, with 60.9% correct classifications, 27.5% partially correct, and 11.6% incorrect classifications. Results suggest that machine learning can support clinical decision-making in vestibular disorder diagnosis when combining algorithmic capabilities with clinical expertise.
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
- Clinical decision support for vestibular diagnosis: large-scale machine learning with lived experience coaching
- Date Crossref
- 31/07/2025
- Éditeur
- Springer Science and Business Media LLC
- 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
-
Chungnam National University Medical Device Research Center pays non établi dans la noticeUniversité ou école supérieure
-
Seoul National University Hospital Department of Otorhinolaryngology-Head and Neck Surgery pays non établi dans la noticeÉtablissement de santé
-
Chungnam National University Hospital pays non établi dans la noticeÉtablissement de santé
-
College of Medicine Department of Biomedical Engineering pays non établi dans la noticeUniversité ou école supérieure
Medical Device Research Center — Chungnam National University, Department of Otorhinolaryngology-Head and Neck Surgery — Seoul National University Hospital et Chungnam National University Hospital, avec 1 autre affiliation.
Une affiliation ne permet pas de déduire la nationalité d’un auteur.