通过机器学习模型对重要参数数据预测早产婴儿在较少侵入性表面活性剂 (LISA) 给药后CPAP失败:试点研究
R M J S Kloonen1,2, G Varisco1, E de Kort3
1Eindhoven University of Technology, PO Box 513, 5600 MB Eindhoven, The Netherlands.
Physiological measurement
|November 8, 2023
概括
机器学习准确地预测了早产婴儿的少侵入性表面活性剂 (LISA) 失败. 使用诸如SpO2和心率变化等生命体征的早期预测可以指导呼吸支决策.
科学领域:
- 新生儿医学 新生儿医学
- 呼吸系统生理学 呼吸系统生理学
- 医疗保健中的机器学习
背景情况:
- 对于患有呼吸困难综合征 (RDS) 的早产婴儿,使用持续正气道压力 (CPAP) 进行少侵入性表面活性剂 (LISA) 给药,以避免输管.
- 很大一部分婴儿在LISA中失败,需要机械通风,这会影响他们的生存机会.
- 预测LISA衰竭对于优化新生儿呼吸管理至关重要.
研究的目的:
- 使用机器学习 (ML) 分析关键参数监测数据,预测在 LISA 后的 CPAP 失败 (CPAP-F).
- 确定与LISA治疗成功或失败相关的关键生理特征.
主要方法:
- 从接受LISA的早产婴儿 (<32周GA) 的重要参数数据 (HR,RR,SpO2,温度) 的回顾性分析.
- 在LISA程序周围的定义时间窗口中计算生理特征.
- 对CPAP-F预测的逻辑回归 (LR) 和支向量机 (SVM) ML模型的评估.
主要成果:
- 在51名婴儿中,有18名 (35%) 患有CPAP-F.
- 在CPAP-F婴儿中观察到较低的SpO2,温度和心率变化 (HRV).
- 在LISA后的第一个0.5小时内,ML模型使用GA,HRV,RR和SpO2实现了高预测准确度 (LR的AUC为0.90,SVM为0.93).
结论:
- 机器学习模型可以有效地预测CPAP-F在LISA后在早产婴儿中使用随时可用的生命体征.
- 预测性能在LISA后的初始0.5小时窗口中是最高的.
- 基于ML的预测提供了对可修改因素的见解,并支持为新生儿提供个性化呼吸护理策略.
