在队列中验证早期光疗预测工具的有效性
Imant Daunhawer1, Kai Schumacher2, Anna Badura2
1Department of Computer Science, ETH Zurich, Zurich, Switzerland.
Frontiers in pediatrics
|October 25, 2023
概括
使用机器学习工具 (EPPT) 可以预测新生儿高 bilirubinemia 的风险,其中包括一个 bilirubin 测量和四个临床因素. 该工具在不同患者群体中表现强,有助于早期干预.
科学领域:
- 新生儿医学 新生儿医学
- 医疗保健中的机器学习
- 预测分析是一种预测分析.
背景情况:
- 新生儿高 bilirubinemia 是一个常见的全球性疾病.
- 早期检测和治疗对于预防不良结果至关重要.
- 一个机器学习工具 (EPPT) 已先前开发用于早期光疗预测.
研究的目的:
- 评估EPPT在一个新的,独特的患者队列上的适用性和性能.
- 在不同的人群中验证EPPT的预测准确性.
- 将原始EPPT模型与在新数据上重新训练的版本进行比较.
主要方法:
- 对1109名婴儿前性记录的新生儿数据进行了回顾性分析.
- 原始EPPT的应用 (逻辑回归和随机森林组合).
- 在新的队列数据和预测性能的比较分析上对EPPT模型进行重新培训.
主要成果:
- 原来的EPPT在新队列中实现了光疗预测84.6%的AUROC.
- 通过交叉验证,重新训练模型导致AUROC提高了88.8%.
- 妊娠年龄,出生体重,胆红素与体重的比率,出生后的几个小时和胆红素值是关键预测因素.
结论:
- 在不同患者队伍中,EPPT证明了新生儿高 bilirubinemia 治疗的强大可预测性.
- 该工具只需要一次全血清胆红素测量和四个临床参数.
- 建议进行进一步的前性研究,以开发临床决策支持系统.
