8ヶ月未満の小児の腸内受精における手術のための超音波画像データに基づくディープラーニングと臨床特性を統合した予測モデル

科学分野:

• 小児外科
• 医学画像分析
• 医療における機械学習

背景:

• 静脈受容は乳児における一般的な外科的緊急事態です.
• エニマの縮小後の手術の必要性を予測することは,患者の最適な結果のために極めて重要です.
• 現在の予測方法には十分な精度がないため,高度なアプローチが必要になります.

研究 の 目的:

• 腸内閉塞におけるエニマの減少障害の危険因子を特定する.
• 手術介入の予測のためのディープラーニング (DL) と臨床的特徴を統合したモデルを開発し,検証する.
• 8ヶ月未満の小児における組み合わせモデルの予測能力を評価する.

主な方法:

• 415人の乳児の腸内受精を対象とした,遡及的および前向きな研究設計.
• 訓練済みDLネットワークを使用してディープ・トランスファー・ラーニング機能の抽出
• ロジスティック回帰を用いて臨床的にスクリーニングされた特徴とDLの統合.
• 組合せられたモデルと独立した臨床モデルとDLモデルを内部,外部,および将来のコホートで検証する.

主要な成果:

• 臨床モデル (AUC: 0. 776- 0. 740) とDLモデル (AUC: 0. 828- 0. 793) と比較して,併用モデルは優れた予測性能 (AUC: 0. 911 内側,0. 871 外側,0. 890 前向き) を達成した.
• このモデルは,手術の必要性を安定して正確に予測することが示されました.
• エニマの減少障害の主要なリスク要因が特定されました.

結論:

• DLと臨床的特徴を統合したモデルは,乳幼児の腸内受精における外科的介入の高い安定した予測精度を提供します.
• このモデルは臨床的意思決定と 治療戦略を大幅に改善する可能性を秘めています
• さらに実施すれば,小児内静脈受容の管理が改善される可能性があります.