Titre : | Reducing False-Positive Results in Newborn Screening Using Machine Learning |
Revue : | International journal of neonatal screening, 6, 1 |
Auteurs : | Peng G ; Tang Y ; Cowan TM ; Enns GM ; Zhao H ; Scharfe C |
Type de document : | Article |
Année de publication : | 03/2020 |
Pages : | p 16 |
Langues: | Anglais |
Mots-clés : | déficit en acyl-CoA déshydrogénase ; dépistage néonatal ; diagnostic ; diagnostic génétique ; étude de cohorte ; maladie métabolique ; modélisation |
Mots-clés: | random forest;false positive;inborn metabolic disorders;machine learning;newborn screening;second-tier testing;tandem mass spectrometry; |
Pubmed / DOI : | Pubmed : 32190768 / DOI : 10.3390/ijns6010016 |
N° Profil MNM : | 2020032 |
En ligne : | http://www.ncbi.nlm.nih.gov/pubmed/32190768 |