机器学习方法可以用于识别低资源环境中的风险新生儿吗? 一个前性队列研究
Babar S Hasan1, Zahra Hoodbhoy2, Amna Khan2
1Department of Pediatrics and Child Health, Sindh Institute of Urology and Transplantation, Karachi, Pakistan drbabarhasan@yahoo.com.
BMJ paediatrics open
|November 2, 2023
概括
将临床评估与机器学习相结合,可以改善在资源不足的环境中检测有风险的新生儿 (ARN). 顺序使用世卫组织幼婴临床症状 (WHOS),脉冲氧计 (POx) 和机器学习,最大限度地识别RNA,以获得更好的结果.
科学领域:
- 新生儿健康 新生儿健康
- 公共卫生 公共卫生
- 机器学习在医学中的应用
背景情况:
- 及时识别有风险的新生儿 (ARNs) 对于减少低资源环境中的死亡率至关重要.
- 美国儿科学会脉冲氧计 (POx) 和世卫组织幼婴临床症状 (WHOS) 等现有工具对RNA检测的灵敏度有局限性.
研究的目的:
- 评估POx和WHOS的诊断价值,单独和组合.
- 通过使用RNA检测临床特征来评估机器学习 (ML) 模型的有效性.
- 确定在低收入/中等收入国家环境中识别ARN的最佳策略.
主要方法:
- 一项前性队列研究在巴基斯坦的一个郊区社区进行.
- 使用WHOS,POx和临床数据选活产婴儿.
- 新生儿被跟踪4周,以评估生命状况和不良结果.
主要成果:
- 与单独使用相比,WHOS和POx的组合提高了对70%的敏感性 (特异性98%).
- 使用临床变量的ML模型实现了76%的灵敏度和44%的特异性.
- 使用WHOS,POx和ML进行分阶段评估,连续提高灵敏度至85% (特异性75%).
结论:
- 将经典选工具与ML集成,可以在资源有限的环境中加强RNA识别.
- 顺序应用WHOS,POx和ML优化了RNA的检测和临床护理.
- 机器学习,特别是当POx和WHOS为负值时,可以在社区后续中有效地识别大多数RNA.
