机器学习可以提高穿皮胆红素计的准确性

科学领域:

• 新生儿医学 新生儿医学
• 生物医学工程 生物医学工程
• 医疗保健中的机器学习

背景情况:

• 精确测量血清总胆红素 (TSB) 对于诊断和管理新生儿黄至关重要.
• 透皮胆红素 (TcB) 测量提供了一个非侵入性的替代方案,但可能会受到各种因素的影响,导致错误.
• 开发TSB的预测模型可以提高诊断准确度,减少对侵入性手术的需求.

研究的目的:

• 开发和评估机器学习模型,通过纠正穿皮胆红素 (TcB) 测量的错误来预测血清胆红素总量 (TSB).
• 确定影响组织胆红素光谱测量的新生儿生物标志物.
• 评估这些模型的潜力,以减少不必要的抽血和改善新生儿黄的临床管理.

主要方法:

• 一项回顾性研究包括683名婴儿 (妊娠≥36周,≥2,000克),出生于2020年1月至2022年12月之间.
• 使用了机器学习算法,包括强大的线性回归,梯度增强树和神经网络.
• 一个三层神经网络 (输入,中间,输出) 旨在根据新生儿生物标志物和TcB数据预测TSB.

主要成果:

• 神经网络模型表现出卓越的性能,根平均平方误差 (RMSE) 为1.03 mg/dL,平均绝对误差 (MAE) 为0.80 mg/dL.
• 这些误差指标明显低于直接TcB测量的误差指标 (RMSE:0.37 mg/dL,MAE:0.28 mg/dL).
• 该模型实现了95%的约定极限 -2.01至2.01 mg/dL,并可能将不必要的血液抽取量减少高达78%.

结论:

• 机器学习模型,特别是神经网络,可以显著提高总血清胆红素估计的准确性,当与皮肤间胆红素测量集成时.
• 这种方法提供了一种非侵入性,准确和有效的方法来评估新生儿黄,减少婴儿的不适和医疗保健费用.
• 开发的模型为传统的抽血提供了智能替代方案,有助于及时准确地估计光疗值.