开发一个模型来预测新生儿呼吸困扰综合征和使用数据挖掘影响因素:一个横截面研究

科学领域:

• 医疗信息学 医疗信息学
• 新生儿医学 新生儿医学
• 机器学习 机器学习

背景情况:

• 早期识别新生儿不良事件,包括呼吸困扰综合征 (RDS),是一个重要的临床挑战.
• RDS是早产婴儿中普遍存在的呼吸系统疾病,导致死亡率.
• 机器学习为分析医疗数据和早期检测RDS提供了宝贵的工具.

研究的目的:

• 使用数据挖掘技术开发新生儿RDS的预测模型.
• 确定影响新生儿RDS发生的因素.
• 评估各种机器学习算法用于RDS预测的性能.

主要方法:

• 一项采用伊朗Alzahra医院1469名新生儿及其母亲数据集 (2017年7月至2018年7月) 的横截面研究.
• 数据预处理,然后应用机器学习算法:支持矢量机,天真贝叶斯,分类树,随机森林,CN2规则诱导和神经网络.
• 基于准确度,灵敏度,特异性和曲线下面面积 (AUC) 的模型性能进行了比较.

主要成果:

• 随机森林模型表现出最佳性能,准确度为0.815,灵敏度为0.802,特异性为0.812,AUC为0.843.
• 进行了各种机器学习技术的比较,以确定最有效的RDS预测.

结论:

• 数据挖掘方法,特别是随机森林,在支持改善新生儿RDS诊断的临床决策方面表现有前途.
• 使用随机森林用于新生儿RDS预测的可行性可能会降低新生儿护理中的产后并发症.