机器学习检测了极其早产婴儿的腹腔内出血
Minoo Ashoori1,2, John M O'Toole1,3, Ken D O'Halloran1,2
1INFANT Research Centre, University College Cork, T12 AK54 Cork, Ireland.
Children (Basel, Switzerland)
|June 28, 2023
概括
在区域大脑氧和 (rcSO2) 中长时间相对脱的机器学习分析有效地检测了极度早产婴儿的脑损伤. 这种自动化方法对预测腹腔内出血 (IVH) 有希望.
科学领域:
- 新生儿神经学 新生儿神经学
- 生物医学工程 生物医学工程
- 机器学习在医疗保健中的应用.
背景情况:
- 极度早产的婴儿 (<28周妊娠年龄) 面临大脑损伤的高风险,特别是腹腔内出血 (IVH).
- 目前用于检测新生儿脑损伤的监测方法存在局限性.
- 区域大脑氧和度 (rcSO2) 和外周氧和度 (SpO2) 是可以非侵入性监测的生理参数.
研究的目的:
- 评估机器学习算法应用到rcSO2和SpO2信号的实用性,以检测极度早产婴儿的脑损伤.
- 为了比较使用延长相对脱度 (PRDs) 的数据驱动方法与传统基于值的方法的性能.
主要方法:
- 从早产婴儿低血压管理 (HIP) 试验中对46名婴儿 (<28周妊娠年龄) 的子组进行分析.
- 在最初的72小时内持续监测rcSO2,在第一周内进行头骨超声波.
- 从rcSO2和SpO2信号中提取定量特征,重点关注数据驱动的长期相对脱和它们对IVH (II-IV级) 的预测值,使用具有leave-one-out交叉验证的机器学习模型.
主要成果:
- 使用来自rcSO2的PRD的机器学习模型实现了0.846的接收器运行特征曲线 (AUC) 下的面积,明显优于基于值的rcSO2方法 (AUC0.593).
- 无论是临床模型还是基于SpO2的模型都没有显示出与脑损伤的显著关联.
- 在rcSO2中数据驱动的PRD和脑损伤的存在之间发现了显著的关联.
结论:
- 在大脑NIRS信号中对PRD的自动分析表明,与基于值的方法相比,在极度早产婴儿中改善IVH预测的潜力.
- 这些发现表明,机器学习应用于rcSO2信号,特别关注PRD,可以帮助早期发现脑损伤.
- 需要进一步的研究来完善PRD的定义,并了解潜在的生理机制.
