Méthode de classification du diabète basée sur l'apprentissage automatique utilisant les oscillations du flux sanguin et l'analyse de corrélation de Pearson de l'importance des caractéristiques

Résumé Le diabète est un problème de santé mondial touchant des millions de personnes et lié à des taux de morbidité et de mortalité élevés. Les méthodes de diagnostic actuelles sont principalement invasives, impliquant des prélèvements sanguins, ce qui peut entraîner des infections et un stress accru pour les patients. Par conséquent, il existe un besoin croissant de méthodes de diagnostic du diabète non invasives qui soient à la fois précises et rapides. Une grande précision de mesure et un temps de mesure rapide sont essentiels pour un diagnostic du diabète non invasif efficace ; cela peut être réalisé en utilisant des systèmes d'analyse de contraste à diffraction diffuse (DSCA) et des algorithmes d'intelligence artificielle. Dans cette étude, nous utilisons un algorithme d'apprentissage automatique pour analyser les signaux de flux sanguin des rats mesurés à l'aide d'un système DSCA avec une opération simple, une fabrication facile et une mesure rapide pour aider au diagnostic du diabète. Les résultats ont confirmé que l'algorithme d'apprentissage automatique pour l'analyse des données d'oscillation du flux sanguin montre un bon potentiel pour la classification du diabète. De plus, l'analyse du test de réactivité du flux sanguin a révélé que les signaux de flux sanguin peuvent être rapidement mesurés pour la classification du diabète. Enfin, nous avons évalué l'influence de chaque donnée d'oscillation du flux sanguin sur la classification du diabète grâce à l'importance des caractéristiques et à l'analyse de corrélation de Pearson. Les résultats de cette étude devraient fournir une base pour le développement futur de méthodes de diagnostic de maladies basées sur l'hémodynamique.