.png){kind=icon}
返回
Using machine learning to develop Iraqi-specific spirometric reference equations
.png){kind=icon}
PRE
AI
DOI：10.1080/20565623.2025.2582429.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
背景：肺量测定法对于呼吸系统疾病的诊断和管理至关重要。准确的解读依赖于反映特定人群肺功能的参考方程。全球方程式（如全球肺功能倡议GLI的方程式）可能并不适用于所有人群，包括伊拉克人。
目的：为使用机器学习（ML）开发针对健康伊拉克成年人的性别特异性肺量测定法参考方程，并将其性能与GLI 2012和2022方程式进行比较。
方法：这项横断面研究纳入了3,959名年龄≥18岁的健康、不吸烟的伊拉克成年人。肺量测定法按照ATS/ERS指南进行。使用年龄和身高训练了五种机器学习模型（线性回归、随机森林、支持向量机、梯度提升机（GBM）和k近邻）。数据分为训练集（70%）和验证集（30%）。通过均方根误差（RMSE）、决定系数（R²）和z分数校准评估性能。GBM被选为最佳模型。
结果：GBM优于所有其他模型和GLI方程式。在女性中，FEV1的R²为0.4473，FVC的R²为0.4519；在男性中，分别为0.3509和0.3674。GLI方程式低估了肺容积，而GBM预测值经过良好校准，平均z分数接近零。
结论：基于GBM的方程式在伊拉克成年人中显示出比GLI标准更高的准确性和校准性，为肺量测定法解读提供了更合适的工具。
Keyword:
Spirometry
machine learning
reference equations
gradient boosting
Iraq
GLI
Pulmonary function
期刊
F
IF:
2.1
论文数:
160
被引数:
0
机构
引用论文
分享收藏分享收藏
分享收藏Detecting respiratory diseases using machine learning-based pattern recognition on spirometry data基于肺活量数据的基于机器学习的模式识别方法检测呼吸系统疾病
OAAI
OAAI分享收藏Evaluation of the Global Lung Function Initiative 2012 reference values for spirometry in an Iranian population.png)
SCIENTIFIC REPORTSOAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏The recent multi-ethnic global lung initiative 2012 (GLI2012) reference values don't reflect contemporary adult's North African spirometryRESPIRATORY MEDICINEOAAI
RESPIRATORY MEDICINEIF3.1
OAAI分享收藏分享收藏
查看更多内容