用于猫和狗临床健康访问分类的机器学习算法开发与验证

疾病早期诊断依赖于在无症状动物的健康检查中识别亚临床异常。本研究引入一种旨在区分健康访问与其他 veterinary 访问的算法。本研究旨在验证该访问分类算法与三位资质兽医手动分类 veterinary 访问的比较。使用2012至2017年来自544家美国 veterinary 机构的11,105次临床访问数据集（其中655只动物，其中85.3%为犬，14.7%为猫），该模型采用梯度提升机模型进行训练。三位评估者被要求从用于初始算法训练的数据库中随机选择400次访问进行分类，包括健康访问和其他类型的访问，以维持训练和应用阶段的一致性和相关性；随后将访问分类分为“健康”或“其他”，基于评估者之间的多数共识，以评估算法在识别健康访问方面的性能。该算法显示出特异性为0.94（95% 置信区间：0.91至0.96），表明其在区分非健康访问方面的准确性。该算法的灵敏度为0.86（95% 置信区间：0.80至0.92），表明其在识别健康访问方面的能力。平衡准确率为0.90（95% 置信区间：0.87至0.93），进一步确认了该算法的整体有效性。该算法表现出强大的特异性和灵敏度，确保能准确识别大比例的健康访问。总体而言，该算法有望推动预防性护理在亚临床疾病识别中的作用，但仍需进行前瞻性研究进行验证。