使用无监督机器学习重新评估获得的新生儿肠道疾病
Daniel R Gipson1, Alan L Chang2, Allison C Lure3,4
1University of Florida College of Medicine, Department of Pediatrics, Division of Neonatology, Gainesville, FL, USA. daniel.gipson@ufl.edu.
Pediatric research
|February 27, 2024
概括
机器学习确定了5个不同的新生儿肠道损伤集群,超越了传统的分类. 这种方法为改善这些关键婴儿疾病的诊断和向治疗提供了潜力.
科学领域:
- 新生儿医学 新生儿医学
- 计算生物学 计算生物学
- 医疗信息学 医疗信息学
背景情况:
- 获得的新生儿肠道疾病出现重叠的症状,经常被错误地归类为死角性肠球炎或自发性肠道穿孔.
- 这种不精确的分类阻碍了准确的诊断和对这些疾病的有效研究.
研究的目的:
- 重新评估新生儿肠道疾病的分类.
- 应用无监督机器学习来更精确地对新生儿获得的肠道损伤进行分类.
主要方法:
- 在2013-2019年期间被录取到特定NICU的新生儿以肠道损伤或相关的成像发现的回顾性图表审查.
- 排除了先天性疾病,如胃和脑.
- 在收集的数据中应用层次化,无监督的集群分析.
主要成果:
- 确定了五个不同的新生儿肠道损伤集群.
- 集群1:较低的死亡率
- 集群2:具有炎症的成熟.
- 集群3:不成熟的高死亡率.
- 集群4:在充分养的晚期受伤.
- 集群5:晚期损伤与高率的肠道坏死.
结论:
- 无监督机器学习有效地集群获得的新生儿肠道损伤.
- 鉴定到的群体具有独特的特征,表明不同的疾病实体.
- 进一步的多中心研究对于完善这些分类,识别早期生物标志物和开发定制疗法以改善结果至关重要.
