Studies in health technology and informatics · 2025
Exploring Machine Learning for Predicting Peripheral and Central Precocious Puberty Through Cross-Hospital Validation.
СтатьяВалидационное исследованиеНазвание и аннотация: Перевод пока не подготовлен
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Cheng Chun-Yen, Chang Yung-Chun, Le Nguyen Quoc Khanh, Lin Chao-Hsu, Hou Jia-Woei, Yang Chen, Chang Tzu-Hao, Hsu Min-Huei
Аннотация
Precocious puberty, including Peripheral Precocious Puberty (PPP) and Central Precocious Puberty (CPP), presents diagnostic challenges in pediatric endocrinology, leading to delayed interventions. This study utilized machine learning models-Random Forest (RF), Gradient Boosting Machine (GBM), and Extreme Gradient Boosting (XGB)-to predict and differentiate between PPP and CPP using 12 clinical features extracted from electronic medical records (EMRs). Internal validation on TMUH data showed XGB achieving the highest sensitivity (0.88) and AUC (0.86). In external validation with WFH data, RF demonstrated superior generalizability, with a sensitivity of 0.91 and AUC of 0.89. These results highlight RF's robustness for cross-hospital implementation and the potential of machine learning to improve early diagnosis of precocious puberty.