机器学习风险分层对高风险的婴儿随访的期限和晚期早产婴儿
Katherine Carlton1, Jian Zhang2, Erwin Cabacungan3
1Department of Pediatrics, Division of Neonatology, Medical College of Wisconsin, Milwaukee, WI, USA. kcarlton@mcw.edu.
Pediatric research
|June 26, 2024
概括
机器学习可以识别高风险的期满和晚期早产婴儿,进行发育异常查. 这使得有针对性地注册后续计划,改善风险婴儿的发育结果.
科学领域:
- 新生儿重症监护室新生儿重症监护室
- 发育儿科 发育儿科
- 机器学习在医疗保健中的应用
背景情况:
- 从新生儿重症监护室 (NICU) 出院的满期和晚期早产婴儿通常不会参加高风险的后续计划.
- 需要确定预测这些婴儿发育异常查的因素.
- 制定风险分层模型对于有针对性的后续招生至关重要.
研究的目的:
- 确定新生儿重症监护室 (NICU) 与在怀孕34周或之后出生的婴儿发育异常查相关的因素.
- 开发和评估机器学习模型,用于预测需要后续注册的高风险婴儿.
主要方法:
- 对怀孕34周或更长的婴儿进行回顾性队列研究,这些婴儿被接收到IV级NICU.
- 使用NICU预测器开发了五种机器学习模型 (CART,随机森林,梯度增强,MARS,正规化后勤回归).
- 使用灵敏度,特异性,准确性,精度和AUC评估模型性能.
主要成果:
- 47%的接受查的婴儿 (87%的队列) 的发育查结果异常.
- 关键的NICU预测因素包括口服养,出院药物和后续预约.
- 所有模型都实现了AUC> 0.7,特异性> 70%,灵敏度> 60%.
结论:
- 机器学习有效地分层发展风险在期限和晚期早产婴儿.
- 该研究表明,使用机器学习来扩大高风险婴儿随访标准的可行性.
- 分类和回归树 (CART) 算法可以指导针对最受益的婴儿进行有针对性的招生.
