使用机器学习预测非常早产婴儿的精神和精神运动延迟
Gözde M Demirci1, Phyllis M Kittler2,3, Ha T T Phan2,3
1Computer Science Department, The Graduate Center of the City University of NY, New York, NY, USA.
Pediatric research
|July 27, 2023
概括
机器学习模型可以预测非常早产的婴儿早期的神经发育迟缓. 结合围产和纵向数据可以提高预测准确度,从而能够及时进行干预,以获得更好的结果.
科学领域:
- 新生儿医学 新生儿医学
- 发育儿科 发育儿科
- 计算生物学 计算生物学
背景情况:
- 非常早产的婴儿面临神经发育迟缓的更高风险.
- 早期预测这些延迟对于及时干预和改善长期结果至关重要.
- 机器学习 (ML) 为预测发育轨迹提供了一个有希望的方法.
研究的目的:
- 开发和验证ML模型,用于预测25个月的非常早产婴儿的精神和精神运动延迟.
- 通过围产和纵向数据确定神经发育迟缓的关键预测因素.
- 评估组合不同类型数据的有效性,以提高预测准确度.
主要方法:
- 一个RandomForest分类器被应用于1109名非常早产婴儿的数据.
- 从52个围产期和16个纵向变量 (1-22个月) 中选择了关键预测因素.
- 为了模型的可解释性,使用了夏普利添加式解释 (SHAP).
主要成果:
- 仅使用围产期变量的模型实现了62% (精神) 和61% (精神运动) 的平衡精度.
- 最重要的预测因素包括出生年份,住院时间,产前硫酸,输管时间,出生体重,头骨超声检查结果,妊娠年龄,母亲的年龄和教育,以及子宫内生长限制.
- 将19个月的随访得分与围产期变量相结合,产生了最高的平衡准确率,为72% (精神) 和73% (精神运动).
结论:
- 结合围产和纵向数据的ML模型可以预测24个月的精神/精神运动延迟在非常早产婴儿大约六个月的提前.
- 这种早期预测有助于更早的干预,可能改善发展结果.
- 虽然仅仅围产期特征不足以用于临床应用,但它们与纵向数据的结合显著提高了预测能力. 最近的出生年与延迟的可能性降低相关,可能是由于医学进步.


