Показати скорочений опис матеріалу
DEVELOPMENT OF A MACHINE LEARNING MODEL FOR DIFFERENTIAL DIAGNOSIS OF SYNCOPAL AND NON-SYNCOPAL TRANSIENT LOSS OF CONSCIOUSNESS IN CHILDREN
РОЗРОБЛЕННЯ МОДЕЛІ МАШИННОГО НАВЧАННЯ ДЛЯ ДИФЕРЕНЦІЙНОЇ ДІАГНОСТИКИ ТРАНЗИТОРНИХ ВТРАТ СВІДОМОСТІ СИНКОПАЛЬНОГО ТА НЕСИНКОПАЛЬНОГО ПОХОДЖЕННЯ У ДІТЕЙ
| dc.creator | Ковальчук, Т. А. | |
| dc.creator | Боярчук, О. Р. | |
| dc.creator | Богай, С. Є. | |
| dc.date | 2024-03-21 | |
| dc.date.accessioned | 2026-06-05T11:09:44Z | |
| dc.date.available | 2026-06-05T11:09:44Z | |
| dc.identifier | https://ojs.tdmu.edu.ua/index.php/here/article/view/14471 | |
| dc.identifier | 10.11603/mie.1996-1960.2023.3-4.14471 | |
| dc.identifier.uri | https://repository.tdmu.edu.ua//handle/123456789/19083 | |
| dc.description | Background. The occurrence of a transient loss of consciousness (TLOC) episode in childhood presents a complex diagnostic challenge for clinicians. This study aimed to develop an effective machine learning model for the differential diagnosis of syncopal and non-syncopal TLOC, providing pediatricians, pediatric cardiologists, rheumatologists, and neurologists with high diagnostic accuracy. Materials and methods. A cohort of 140 patients aged 8-17 years with syncope and 58 with non-syncopal TLOC were examined. The XGBoost algorithm was employed to construct the machine learning model. Results. The proposed machine learning model demonstrated high effectiveness, evidenced by metrics with 95 % confidence interval: accuracy (0.90; CI 0.80-0.99), precision (syncope: 0.92, CI 0.85-1.0; non-syncope: 0.83, CI 0.72-0.95), recall (syncope: 0.92, CI 0.85-1.0; non-syncope: 0.83, CI 0.72-0.95), f1-score (syncope: 0.92, CI 0.85-1.0; non-syncope: 0.83, CI 0.72-0.95), specificity (syncope: 0.83, CI 0.72-0.95; non-syncope: 0.92, CI 0.85-1.0), ROC AUC (0.96, CI 0.90-1.00) and PR AUC (0.86, CI 0.75-0.96). The most informative indicators of the model are the Modified Calgary Syncope Seizure Score, the rate of morning systolic blood pressure increase, cardiac index, rate of morning diastolic blood pressure increase, frequency of tachycardia episodes during 24-hour Holter monitoring, nocturnal diastolic blood pressure decrease, total peripheral vascular resistance, child's age, diastolic blood pressure variability, pNN50, LF/HF ratio, and percentile distribution relative to height, diastolic blood pressure, and body mass index. Conclusions. The application of this machine learning model enables the differentiation between syncopal and non-syncopal TLOC in children. It can serve as an additional diagnostic tool for pediatricians, pediat-ric cardiologists, rheumatologists, and neurologists, complementing traditional diagnostic criteria for syncope (vasovagal syncope, syncope due to orthostatic hypotension and cardiac syncope) and non-syncopal TLOC (epilepsy, first unprovoked epileptic seizures, psychogenic pseudo-syncope, and psychogenic nonepileptic seizure) in the initial diagnostic phase. | en-US |
| dc.description | Перенесений епізод транзиторної втрати свідомості (ТВС) у дитячому віці досі залишається складною діагностичною дилемою для цілого ряду клініцистів. Дослідження спрямовано на створення ефективної моделі машинного навчання для диференційної діагностики ТВС синкопального та несинкопального генезу, що забезпечить лікарям-педіатрам, дитячим кардіоревматологам і неврологам високу точність диференційної діагностики синкопальних і несинкопальних ТВС. Обстежено 140 пацієнтів із синкопе та 58 - із несинкопальними причинами ТВС віком 8-17 років. Для побудови моделі машинного навчання використовували алгоритм XGBoost. Про ефективність запропонованої моделі машинного навчання свідчили метрики точності, влучності, чутливості, fa-міри, специфічності, ROC AUC і PR AUC. Найінфор-мативнішими показниками моделі виявились Modified Calgary Syncope Seizure Score, швидкість ранкового підвищення систолічного артеріального тиску, серцевий індекс, ранкове підвищення діастолічного артеріального тиску, частота епізодів тахікардії упродовж 24-годинного моніторування за Холтером, нічне зниження діастролічного артеріального тиску, загальний периферичний опір судин, вік дитини, варіабельність добового діастолічного артеріального тиску, pNN50, співвідношення LF/HF, перцентильний розподіл відносно зростання, діастолічного артеріального тиску та індексу маси тіла. Отже, застосування описаної моделі машинного навчання дає змогу диференціювати синкопальні та несинкопальні ТВС у дітей та може використовуватися педіатрами, дитячими кардіоревматологами та неврологами як додатковий інструмент поряд із класичними діагностичними критеріями синкопе (вазовагальних синкопе, синкопе внаслідок ортостатичної гіпотензії та кардіогенних синкопе) і несинкопальних причин розвитку ТВС (епілепсії, первинного неспровокованого епілептичного нападу, психогенних псевдосинкопе, психогенних неепілептичних судом) на першому етапі діагностики. | uk-UA |
| dc.format | application/pdf | |
| dc.language | ukr | |
| dc.publisher | I. Horbachevsky Ternopil National Medical University | en-US |
| dc.relation | https://ojs.tdmu.edu.ua/index.php/here/article/view/14471/13352 | |
| dc.rights | Авторське право (c) 2024 Медична інформатика та інженерія | uk-UA |
| dc.source | Medical Informatics and Engineering; No. 3-4 (2023); 68-81 | en-US |
| dc.source | Медицинская информатика и инженерия; № 3-4 (2023); 68-81 | ru-RU |
| dc.source | Медична інформатика та інженерія; № 3-4 (2023); 68-81 | uk-UA |
| dc.source | 1997-7468 | |
| dc.source | 1996-1960 | |
| dc.source | 10.11603/mie.1996-1960.2023.3-4 | |
| dc.subject | syncope | en-US |
| dc.subject | non-syncopal transient loss of consciousness | en-US |
| dc.subject | differential diagnosis | en-US |
| dc.subject | XGBoost model | en-US |
| dc.subject | children | en-US |
| dc.subject | синкопе | uk-UA |
| dc.subject | несинкопальні транзиторні втрати свідомості | uk-UA |
| dc.subject | диференційна діагностика | uk-UA |
| dc.subject | модель XGBoost | uk-UA |
| dc.subject | діти | uk-UA |
| dc.title | DEVELOPMENT OF A MACHINE LEARNING MODEL FOR DIFFERENTIAL DIAGNOSIS OF SYNCOPAL AND NON-SYNCOPAL TRANSIENT LOSS OF CONSCIOUSNESS IN CHILDREN | en-US |
| dc.title | РОЗРОБЛЕННЯ МОДЕЛІ МАШИННОГО НАВЧАННЯ ДЛЯ ДИФЕРЕНЦІЙНОЇ ДІАГНОСТИКИ ТРАНЗИТОРНИХ ВТРАТ СВІДОМОСТІ СИНКОПАЛЬНОГО ТА НЕСИНКОПАЛЬНОГО ПОХОДЖЕННЯ У ДІТЕЙ | uk-UA |
| dc.type | info:eu-repo/semantics/article | |
| dc.type | info:eu-repo/semantics/publishedVersion |
Долучені файли
| Файл | Розмір | Формат | Переглянути |
|---|---|---|---|
|
Даний матеріал не має долучених файлів. |
|||