סיווג גוון שיעול מבוסס למידת מכונה: חקירה אבחנתית של מחלת ריאות חסימתית כרונית וזיהומים בדרכי הנשימה

מחקר זה מתמקד באבחון אקוסטי, תוך שימוש בניתוח אותות קול ולמידת מכונה כדי להפיק תכונות קול ייחודיות לסיווג מוקדם לא פולשני של מחלות ריאות חסימתיות כרוניות וזיהומים בדרכי הנשימה. ההתפתחויות האחרונות בתחום כוללות ניתוח קול מונחה בינה מלאכותית, טכניקות למידת מכונה כגון רשתות עצביות קונבולוציונליות ומכונות וקטוריות תמיכות, כלי עיבוד אותות כמו MFCCs, וחיישנים אקוסטיים משתנים לזיהוי דפוסים הקשורים למחלות באותות קול. אחד האתגרים המרכזיים בתרגום קליני של אבחון מבוסס קול הוא מחסור בנתונים.

אתגרים נוספים כוללים הכללה מוגבלת של מודלים, אתיקה של פרטיות, קונפליקטים ומחסומים לפרשנות. לאחר הרכבת מסד הנתונים של מדדי תכונות הקול, פתח את SPSS וטען את קובץ הנתונים המתאים. מהתפריט, בחר 'ניתוח', ואז 'בדיקות לא-פרמטריות', אחריו 'דיאלוגים מורשתים', ולחץ על 2 דגימות עצמאיות.

בתיבת הדיאלוג הקופצת (pop-up), בחר את המשתנים הנצפים להשוואה תחת סעיף רשימת משתני הבדיקה. לאחר מכן, תחת משתנה קיבוצ, בחר את המשתנה שישמש לקבוצות. לחץ על כפתור הגדרת קבוצות והזן את המזהים של שתי הקבוצות בחלון הקופץ.

תחת סוג מבחן, בחר את מבחן מאן-וויטני U. לחץ על OK כדי להריץ את הבדיקה ולאפשר ל-SPSS לייצר אוטומטית את הפלט. לניתוח רכיבים עיקריים, ודאו שהנתונים נאספו, נשמרים בפורמט Excel או CSV, ומיובאים לגרסה 20.0 של SPSS.

כדי לפתוח את הקובץ, בחר קובץ, ואז בחר פתיחה, אחריה דאטה, ובחר את הקובץ המתאים. כדי להתחיל ניתוח רכיב עיקרי, לחץ על ניתוח, בחר הפחתת מימד, ובחר פקטור. בתיבת הדיאלוג, הוסף את כל המשתנים הרציפים המשמשים בניתוח רכיבים עיקריים לשדה המשתנים.

לחץ על כפתור החילוץ ובחר את שיטת הרכיבים הראשיים כשיטת החילוץ. בחר ערכים עצמיים גדולים מ-1 כקריטריון לשמירת רכיבים עיקריים. בחר את שיטת הסיבוב ולחץ על סיבוב כדי לבחור בין Varimax ל-Promax.

תחת אופציות, בדוק גם את גרף סקרי וגם את מטריצת המקדמים כדי לכלול את דיאגרמת החצץ ואת מטריצת המקדמים בפלט להערכת וריאנטים שנשמרו. לאחר השלמת כל ההגדרות, לחץ על אישור כדי לבצע את הניתוח ואפשר ל-SPSS לייצר את הפלט. פרש את מטריצת הטעינה של הרכיבים הראשיים כדי להעריך את הקשר בין הרכיבים העיקריים למשתנים המקוריים.

זהה משתנים עם ערכי טעינה גבוהים יותר, שכן הם תורמים משמעותית יותר לשינויים ברכיבים. השתמש בטבלת הסבר השונות הכוללת כדי להעריך כמה שונות כל רכיב ראשי לוקח בחשבון אותה. זהה את הרכיבים העיקריים עם פרופורציות שונות גבוהות, שכן בדרך כלל הם תופסים את רוב השונות בנתונים.

עיין בתרשים הסקרי כדי לקבוע אילו רכיבים לשמור. מצא את נקודת המפנה ושמור על כל הרכיבים שמאלה לנקודה זו. אם נדרש ציוני רכיבים עיקריים, בדוק שמור כמשתנים לפני ביצוע הניתוח.

SPSS יוסיף את הציונים לכל מדגם כמשתנים חדשים במאגר הנתונים. ניתוח רכיבים עיקריים זיהה שישה רכיבים עיקריים שהיוו יחד 76.8% מהשונות הכוללת. מודל הרגרסיה הלוגיסטית הראה ביצועים יציבים בשלושה קיפולי אימות, עם ערכי AUC של 0.71, 0.74 ו-0.88, והניבו ממוצע AUC של 0.77.

לעומת זאת, מודל היער האקראי הראה שונות גדולה יותר, עם ציוני AUC קפלים של 0.69, 0.52 ו-0.83, וממוצע AUC נמוך יותר של 0.68. מודל הרגרסיה הלוגיסטית השיג תחזיות נכונות של 100% ל-COPD ושישה מתוך שבעה נכונים לזיהומים בדרכי הנשימה, כפי שמוצג במטריצת הבלבול, מה שמעיד על דיוק סיווג גבוה. מודל היער האקראי סיווג בטעות מקרה אחד של COPD ושני מקרים של זיהום בדרכי הנשימה, מה שהוביל לדיוק סיווג נמוך יותר בהשוואה למודל הרגרסיה הלוגיסטית.

במאגר הנתונים של הבדיקה, מודל הרגרסיה הלוגיסטית הניב ביצועי סיווג מצוינים, והשיג ערך AUC של 0.95. מודל היער האקראי הראה ביצועי בדיקה נמוכים יותר עם ערך AUC של 0.76.