预测小儿重症监护室入院后长期不良的神经认知结果
Felipe Kenji Nakano1, Karolijn Dulfer2, Ilse Vanhorebeek3
1KU Leuven, Campus KULAK, Department of Public Health and Primary Care, Etienne Sabbelaan 53, Kortrijk, 8500, Belgium; Itec, imec research group at KU Leuven, Etienne Sabbelaan 53, Kortrijk, 8500, Belgium.
机器学习可以优化重症儿童在重症监护室 (ICU) 出院后的神经认知测试. 这种方法可以减少必要的测试,同时准确地识别严重的神经认知缺陷.
科学领域:
- 儿科重症监护医药 儿科重症监护医药
- 计算神经科学是一种计算神经科学.
- 机器学习应用程序 机器学习应用程序
背景情况:
- 重症儿童在重症监护室 (ICU) 退院后可能会出现长期的神经认知障碍.
- 目前的神经认知评估涉及一个固定的测试序列,往往导致不完整的评估由于患者负担.
- 未被检测到的神经认知缺陷可能是检测协议中断的结果.
研究的目的:
- 开发一种机器学习模型,用于预测儿科ICU幸存者的最佳神经认知测试序列.
- 减少识别显著神经认知缺陷所需的测试数量.
- 为了实现个性化后续护理策略,为儿童在ICU出院后.
主要方法:
- 将当前的临床试验协议与各种机器学习技术进行比较,包括多目标回归和标签排名.
- 开发一种新的机器学习方法,结合多种预测模型来对神经认知结果进行排名.
- 利用了PEPaNIC-RCT试验中的放电和两年随访数据.
主要成果:
- 拟议的机器学习方法超过了当前的临床实践和最先进的标签排名方法.
- 在识别前四个神经认知结果时,达到约80%的精度.
- 目前的临床实践准确率为65%,而最先进的方法达到了78%.
结论:
- 机器学习模型为儿童重症监护室幸存者提供了与当前临床测试订单相比具有竞争力或优越的替代方案.
- 开发的模型可以显著减少所施行的神经认知测试的数量.
- 在ICU出院时,神经认知结果是可以预测的,为早期个性化干预铺平了道路.
更多相关视频
10:02Event Related Potentials ERPs and other EEG Based Methods for Extracting Biomarkers of Brain Dysfunction: Examples from Pediatric Attention Deficit/Hyperactivity Disorder ADHD
Published on: March 12, 2020
07:01A Pediatric Concussion Model in Mice: Closed Head Injury with Long-Term Disorders (CHILD)
Published on: February 7, 2025
相关概念视频
Long-term Potentiation
Long-term Depression
Long-term Potentiation
Hebbian LTP
LTP can occur when presynaptic neurons...
Long-term Depression
Calcium Ion Concentration Mechanism
If over time, all...
