TY - JOUR AU - Han, Jing AU - Montagna, Marco AU - Grammenos, Andreas AU - Xia, Tong AU - Bondareva, Erika AU - Siegele-Brown, Chloë AU - Chauhan, Jagmohan AU - Dang, Ting AU - Spathis, Dimitris AU - Floto, R Andres AU - Cicuta, Pietro AU - Mascolo, Cecilia PY - 2023 DA - 2023/5/9 TI -临床医生和机器学习对COVID-19检测听力性能的评估:对比研究JO - J Med Internet Res SP - e44804 VL - 25kw -音频分析KW - COVID-19检测KW -深度学习KW -呼吸系统疾病诊断KW -移动医疗KW -检测KW -临床医生KW -机器学习KW -呼吸系统诊断KW -临床决策KW -呼吸系统AB -背景:迄今为止，在许多健康领域已经开展了人与机器之间的性能比较。然而，在基于音频的呼吸诊断中，机器学习(ML)模型和人类表现的比较在很大程度上仍未得到探索。目的:本研究的主要目的是比较人类临床医生和ML模型在从呼吸录音预测COVID-19方面的差异。方法:在本研究中，我们比较了人类临床医生和ML模型对COVID-19的预测。将36名具有治疗COVID-19或其他呼吸系统疾病经验的临床医生对24个音频样本(12个检测呈阳性)的预测性能与对1162个样本进行训练的ML模型的预测进行比较。每个样本由1名受试者的声音、咳嗽和呼吸录音组成，每个样本的长度约为20秒。我们还研究了将模型和人类专家的预测结合起来是否可以进一步提高准确性和置信度。结果:ML模型优于临床医生，敏感性为0.75，特异性为0.83，而临床医生的最佳表现为敏感性为0.67，特异性为0.75。然而，整合临床医生和模型的预测可以进一步提高性能，达到0.83的敏感性和0.92的特异性。 Conclusions: Our findings suggest that the clinicians and the ML model could make better clinical decisions via a cooperative approach and achieve higher confidence in audio-based respiratory diagnosis. SN - 1438-8871 UR - //www.mybigtv.com/2023/1/e44804 UR - https://doi.org/10.2196/44804 UR - http://www.ncbi.nlm.nih.gov/pubmed/37126593 DO - 10.2196/44804 ID - info:doi/10.2196/44804 ER -