Exploring machine learning algorithms in sickle cell disease patient data: A systematic review
Machine-Learning-Algorithmen in Patient:innendaten bei Sichelzellkrankheit: systematische Übersicht
PLOS ONE · 11.11.2024 · 19 (11) · e0313315
DOI: 10.1371/journal.pone.0313315 ↗Auf einen Blick
Die systematische Übersicht beschreibt den Einsatz von Machine-Learning-Algorithmen bei Sichelzellkrankheit. Berichtet werden vielversprechende Ergebnisse für Diagnose und Monitoring.
Fragestellung
Wie werden Machine-Learning-Algorithmen bei Sichelzellkrankheit für Diagnose und klinische Merkmale eingesetzt?
Methode
Systematische Übersicht zu aktuellen Studien über ML-Algorithmen bei Sichelzellkrankheit.
Ergebnisse
Untersucht wurden Diagnose, frühe Erkennung von Organversagen, Bestimmung der Medikamentendosis und Einordnung der Schmerzintensität. Genannt werden Multilayer Perceptron, Support Vector Machine, Random Forest, Logistic Regression, LSTM, Extreme Learning Machines, CNN und Transfer Learning.
Einschränkungen
Kleine Datensätze, Probleme der Interpretierbarkeit und Risiko des Overfittings.
Schlussfolgerung der Autor:innen
Die Autor:innen heben das transformative Potenzial von ML für Diagnose, Monitoring und Prognose der Sichelzellkrankheit hervor und sehen weiteren Forschungsbedarf.
Kernaussagen
- ML wurde für Diagnose und Monitoring bei Sichelzellkrankheit untersucht
- Anwendungen umfassten Organversagen, Dosierung und Schmerzintensität
- Genannt werden kleine Datensätze, Interpretierbarkeit und Overfitting
Deutsche Zusammenfassung: KI-gestützt aus dem Original-Abstract erstellt; alle Zahlen wurden automatisch mit dem Original abgeglichen. Maßgeblich ist der Original-Abstract.
Kurz gefasst
Systematische Übersicht in der Zeitschrift PLOS ONE, online erschienen am 11.11.2024. Verfasst von Tiago Fernandes Machado und 4 weiteren Autor:innen. Beteiligte Einrichtung: Institute of Computing, Federal University of Bahia (UFBA), Salvador, Bahia, Brazil. Hauptthemen laut MEDLINE: Anemia, Sickle Cell, Machine Learning. Die Arbeit wurde bisher 18-mal zitiert (Crossref) und nennt 31 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0).
Abstract (Originalsprache)
This systematic review explores the application of machine learning (ML) algorithms in sickle cell disease (SCD), focusing on diagnosis and several clinical characteristics, such as early detection of organ failure, identification of drug dosage, and classification of pain intensity. A comprehensive analysis of recent studies reveals promising results in using ML techniques for diagnosing and monitoring SCD. The review covers various ML algorithms, including Multilayer Perceptron, Support Vector Machine, Random Forest, Logistic Regression, Long short-term memory, Extreme Learning Machines, Convolutional Neural Networks, and Transfer Learning methods. Despite significant advances, challenges such as limited dataset sizes, interpretability concerns, and risks of overfitting are identified in studies. Future research directions entail addressing these limitations by harnessing larger and more representative datasets, enhancing model interpretability, and exploring advanced ML techniques like deep learning. Overall, this review underscores the transformative potential of ML in increasing the diagnosis, monitoring and define prognosis of sickle cell disease while also highlighting the need for further investigation in the field.
Schlagwörter
MeSH-Schlagwörter (MEDLINE)
Autor:innen und Institutionen
- Institute of Computing, Federal University of Bahia (UFBA), Salvador, Bahia, Brazil.
- Faculty of Pharmacy, Federal University of Bahia (UFBA), Salvador, Bahia, Brazil.
- Gonçalo Moniz Institute, Oswaldo Cruz Foundation (FIOCRUZ), Salvador, Bahia, Brazil.
- Department of Statistics, London School of Economics and Political Science (LSE), London, United Kingdom.
ORCID-Profile: Tiago Fernandes Machado
Zitieren
APA
Machado, T. F., Neto, F. D. C. B., Gonçalves, M. S., Barbosa, C. G., & Barreto, M. E. (2024). Exploring machine learning algorithms in sickle cell disease patient data: A systematic review. PLOS ONE, 19(11), e0313315. https://doi.org/10.1371/journal.pone.0313315
Vancouver
Machado TF, Neto FDCB, Gonçalves MS, Barbosa CG, Barreto ME. Exploring machine learning algorithms in sickle cell disease patient data: A systematic review. PLOS ONE. 2024;19(11):e0313315. doi:10.1371/journal.pone.0313315
BibTeX
@article{Machado2024,
author = {Machado, Tiago Fernandes and Neto, Francisco das Chagas Barros and Gonçalves, Marilda de Souza and Barbosa, Cynara Gomes and Barreto, Marcos Ennes},
title = {Exploring machine learning algorithms in sickle cell disease patient data: A systematic review},
journal = {PLOS ONE},
year = {2024},
volume = {19},
number = {11},
pages = {e0313315},
doi = {10.1371/journal.pone.0313315}
}
EUVIMED