在韩国新生儿网络数据库的VLBWI中使用机器学习算法预测严重的腹腔内出血或早期死亡
Hyun Ho Kim1,2,3, Jin Kyu Kim1,2, Seo Young Park4
1Department of Pediatrics, Jeonbuk National University School of Medicine, Jeonju, South Korea.
Scientific reports
|May 15, 2024
概括
机器学习模型预测了非常低出生体重婴儿 (VLBWI) 严重的腹腔内出血 (IVH) 或早期死亡. 使用出生后一周的数据的模型显示出最好的预测性能,特别是XGBoost.
科学领域:
- 新生儿医学 新生儿医学
- 医疗信息学 医疗信息学
- 计算生物学 计算生物学
背景情况:
- 严重的腹腔内出血 (IVH) 对早产婴儿构成显著的神经风险.
- 早期识别高危婴儿对于及时干预至关重要.
- 非常低出生体重的婴儿 (VLBWI) 特别容易受到IVH的感染.
研究的目的:
- 开发和验证机器学习模型,用于预测VLBWI的严重IVH (3-4级) 或早期死亡.
- 评估基于不同围产阶段可用的数据的预测模型的性能.
- 在这个脆弱人群中确定严重IVH或早期死亡的关键预测因素.
主要方法:
- 使用韩国新生儿网络 (KNN) 数据集进行的回顾性队列研究.
- 使用Ridge Regulation (LR),随机森林和 eXtreme Gradient Boosting (XGB) 的物流回归预测模型的开发.
- 模型的评估基于出生前 (第一阶段),出生后1小时 (第二阶段) 和出生后1周 (第三阶段) 的预测因素.
主要成果:
- 所有模型都显示性能有所改善,因为随着时间的推移,越来越多的数据变得可用.
- 第三阶段的模型,包括出生后一周的数据,显示出最高的预测准确度.
- 极端梯度增强 (XGB) 模型在第三阶段取得了最佳表现,表明其临床实用性的潜力.
结论:
- 机器学习模型,特别是XGBoost,可以有效地预测VLBWI的严重IVH或早期死亡.
- 预测性能显著提高,包括在生命的第一个星期内收集的数据.
- 将这些预测模型整合到临床实践中可能有助于减少与IVH相关的永久性脑损伤的发生率.
