Introduction:

The integration of machine learning in medical diagnostics and treatment has brought significant advances in the healthcare sector. AURI 2.0 utilizes supervised machine learning and a Bayesian network to provide diagnostic and treatment recommendations for ENT disorders based on patient-reported symptoms. In this study, the progress of the machine learning system AURI in the new 2.0 version is analyzed.

Method:

To compare the performance of the System, the automated results are compared with real diagnosis and therapy recommendations by the doctor for the same patient. Sensitivity, specificity, positive predictive value, negative predictive value and accuracy are used to evaluate the performance of the software.

Results:

The evaluation showed the following results in comparison to the medical diagnosis and therapy recommendations. For rhinological diseases, a sensitivity of 80 %, a specificity of 100 %, a positive predictive value of 1, a negative predictive value of 0.818 and an accuracy of 89 % were determined.

Discussion:

Despite challenges in some diagnostic areas, version 2.0 shows significant progress in automated diagnosis and treatment recommendations. The study results show that automated diagnostic assistance systems, such as AURI 2.0, can be a helpful and effective support in medical treatment procedures.

Einleitung:

Die Integration von maschinellem Lernen in der medizinischen Diagnostik und Behandlung hat erhebliche Fortschritte im Gesundheitssektor gebracht. AURI 2.0 nutzt überwachtes maschinelles Lernen und ein Bayes'sches Netzwerk, um nach der Angabe der Symptomatik durch den Patienten, Diagnose- und Therapieempfehlungen für HNO-Erkrankungen zu liefern. In dieser Studie werden die Fortschritte des Machine Learning-Systems AURI in der neuen 2.0 Version analysiert.

Methode:

Zum Vergleich der Leistungsfähigkeit der Maschinen werden die automatisierten Ergebnisse mit realen Diagnose- und Therapieempfehlungen durch den Arzt zum selbigen Patienten verglichen. Sensitivität, Spezifität, positiver Prädiktiver Wert, negativer Prädiktiver Wert und Genauigkeit werden verwendet, um die Leistung der Software zu bewerten.

Ergebnisse:

Die Auswertungen zeigten im Vergleich zu den ärztlichen Diagnosen- und Therapieempfehlungen folgende Ergebnisse. Bei rhinologischen Erkrankungen wurde eine Sensitivität von 80 %, eine Spezifität von 100 %, ein positiver prädiktiver Wert von 1, ein negativer prädiktiver Wert von 0,818 und eine Genauigkeit von 89 % ermittelt.

Diskussion:

Trotz Herausforderungen in einigen diagnostischen Bereichen weist die Version 2.0 einen bedeutsamen Fortschritt in der automatisierten Diagnose- und Therapieempfehlungen auf. Die Studienergebnisse zeigen, dass automatisierte Diagnoseassistenzsysteme, wie AURI 2.0, eine hilfreiche und effektive Unterstützung in den medizinischen Behandlungsabläufen sein können.

Die Autorinnen/Autoren geben an, dass kein Interessenkonflikt besteht.