Jorge Gómez Gómez / VELSSY HERNÁNDEZ RIAÑO
Niniejsze badanie przedstawia system oparty na uczeniu maszynowym do wczesnego przewidywania anemii sierpowatej przy użyciu ustrukturyzowanych danych klinicznych z morfologii krwi pacjentów. Proponowane podejście ma na celu rozwiązanie problemu ograniczeń konwencjonalnych metod diagnostycznych, które są zazwyczaj kosztowne, czasochłonne i wymagają specjalistycznej infrastruktury laboratoryjnej. Celem było zidentyfikowanie najlepiej działającego modelu i opracowanie aplikacji, która mogłaby być wykorzystywana przez personel medyczny w trudno dostępnych miejscach jako narzędzie wspierające wczesną diagnostykę tej choroby. Spośród ocenianych modeli najlepsze wyniki uzyskał model Random Forest, osiągając dokładność 98%, czułość 98% i wynik F1 na poziomie 98%. Jego doskonałe wyniki przypisuje się zdolności do uchwycenia nieliniowych interakcji między zmiennymi hematologicznymi, które są kluczowe dla diagnozy klinicznej. Przewidywania systemu zostały zweryfikowane przez lekarzy specjalistów, wykazując dużą zgodność z tradycyjnymi diagnozami. Kluczową innowacją tego badania jest wykorzystanie ustrukturyzowanych danych z morfologii krwi.
