ข้อมูลจากบทคัดย่อ
ยังไม่มีสรุปภาษาไทยสำหรับระเบียนนี้
ด้านล่างเป็นบทคัดย่อต้นฉบับภาษาอังกฤษจากข้อมูลบรรณานุกรม โปรดตรวจบทความต้นฉบับก่อนอ้างอิง
Early diagnosis of Systemic Sclerosis (SSc), especially in the edematous phase, is challenging. This study developed an Artificial Intelligence (AI) model capable of distinguishing the edematous phase of SSc from other clinically similar conditions and to evaluating its accuracy. Short video clips were collected from two groups: (a) SSc patients with puffy skin in the hands and/or feet during the edematous phase and (b) non-SSc conditions with edema requiring differentiation from SSc. AI development involved analyzing skin responses to finger pressure, recording the pressing and rebound phases. The collected videos were divided into three sets: 70% for AI training, 10% for validation, and 20% for accuracy testing. A total of 2,080 videos from 22 SSc and 38 non-SSc patients were analyzed. Among the 38 non-SSc cases, the most common underlying conditions were renal disease and nephrotic syndrome (15 cases, 39.5%), followed by deep venous thrombosis (6 cases, 15.8%) and left- or right-sided heart failure (5 cases, 13.2%). Five AI models were evaluated at accuracy thresholds of 70%, 75%, 80%, and 85%. At thresholds of 70–80%, all models achieved sensitivity above 99% and specificity exceeding 98%. The extra-large model demonstrated the highest sensitivity, specificity, Positive Predictive Value (PPV), and Negative Predictive Value (NPV) at the 85% threshold, outperforming the nano, small, medium, and large models. The developed AI model demonstrated high accuracy in distinguishing the edematous phase of SSc from other similar skin edema across multiple confidence thresholds, supporting its potential as an effective diagnostic tool.
เหตุผลที่อยู่ในฐานติดตาม
ระเบียนนี้ได้รับ Impact Signal 85/100 จากความใหม่ แหล่งเผยแพร่ ความร่วมมือ และสัญญาณในข้อมูลบรรณานุกรม คะแนนนี้ใช้จัดลำดับการติดตาม ไม่ใช่การตัดสินคุณภาพงานวิจัย
ประเด็นที่เกี่ยวข้อง: Systemic Sclerosis and Related Diseases · Artificial Intelligence in Healthcare · Artificial Intelligence in Healthcare and Education
บทบาทของนักวิจัยและสถาบันไทย
Chingching Foocharoen · Suphachoke Sonsilphong · Tippawan Onchan · Patnarin Pongkulkiat · Ajanee Mahakkanukrauh · Siraphop Suwannaroj · Wanida Kanarkard · Khon Kaen University
ข้อจำกัดของข้อมูล
หน้านี้เป็นระเบียนบรรณานุกรมและข้อมูลจากบทคัดย่อ ยังไม่ใช่บทวิเคราะห์ฉบับเต็มหรือการประเมินคุณภาพงานวิจัย ควรตรวจสอบ DOI และเอกสารต้นฉบับก่อนนำไปอ้างอิง