开发一个实用的神经发育预测模型,在NICU后的访问期间针对高风险的非常早产婴儿:一个回顾性的全国纵向队列研究
Hao Wei Chung1,2,3,4, Ju-Chieh Chen2, Hsiu-Lin Chen1,5
1Division of Neonatology, Department of Pediatrics, Kaohsiung Medical University Chung-Ho Memorial Hospital, Kaohsiung Medical University, Kaohsiung, Taiwan.
BMC medicine
|February 15, 2024
概括
预测非常早产婴儿 (VPI) 的神经发育结果至关重要. 新的机器学习模型使用更少的变量提供透明和可解释的预测,改善VPI的早期干预策略.
科学领域:
- 新生儿随访新生儿随访
- 神经发育的发展轨迹
- 机器学习在儿科中的应用
背景情况:
- 随访对非常早产婴儿 (VPI) 的神经发育结果至关重要.
- 确保VPI在12个月校正年龄 (CA) 之前进行随访是具有挑战性的.
- 出院后的数据可以提高由于大脑可塑性的神经发育预测.
研究的目的:
- 开发和评估用于预测VPI中的认知和运动功能的机器学习模型.
- 为了比较进化衍生机器学习方法 (EL-NDI) 与传统模型的性能.
- 创建透明和可解释的模型,用于VPI后续临床使用.
主要方法:
- 使用VPI数据 (2010-2017年) 开发了四种预测模型 (认知/运动,6/12个月的CA).
- 在6个月CA时确定的认知/运动下降和12个月CA时的延迟使用贝利婴儿发育尺度第三版 (BSIDIII).
- 利用一种进化衍生机器学习方法 (EL-NDI) 并将其与拉索回归,随机森林和支持向量机器进行比较.
主要成果:
- 与其他方法 (≥29) 相比,EL-NDI模型需要更少的变量 (4-10),以获得相似的性能.
- 在六个月的CA预测中,EL-NDI实现了0.76-0.83的接收器运行曲线 (AUC) 下的区域.
- 在12个月的CA预测中,EL-NDI实现了0.73-0.82的AUC.
结论:
- 该EL-NDI模型表现出强大的预测性能,增强了简单性,透明度和可解释性.
- 临床实施EL-NDI可以帮助识别高风险VPI,以便及时进行早期干预.
- 这些模型可以促进临床医生和家长之间关于VPI神经发育进展的更好的沟通.
