使用机器学习模型来预测患有支气管肺功能障碍的新生儿的输出失败
Yue Tao1, Xin Ding2, Wan-Liang Guo3
1Department of radiology, Children's Hospital of Soochow University, 92 Zhongnan District, Suzhou, Jiangsu, 215025, China.
BMC pulmonary medicine
|July 3, 2024
概括
这项研究开发了一种XGBoost模型,用于预测患有支气管肺发育不良的新生儿的输出失败. 该模型准确地识别高风险的婴儿,有助于及时的输出管和减少并发症.
科学领域:
- 新生儿医学 新生儿医学
- 肺部病理学 肺部病理学
- 医疗保健中的人工智能
背景情况:
- 支气管肺功能障碍症 (BPD) 是早产婴儿常见的并发症,需要机械通风.
- 患有BPD的新生儿的输出失败 (EF) 与增加的发病率和死亡率有关.
- 预测EF对于优化呼吸支和患者结果至关重要.
研究的目的:
- 开发和验证基于机器学习的决策支持工具,用于预测BPD新生儿的输出失败.
- 在这个人群中确定与输出失败相关的关键临床因素.
- 提供一个工具,帮助临床医生确定最佳的输出管时间.
主要方法:
- 分析了284名患有BPD的新生儿机械通风的数据集.
- 机器学习算法,包括极端梯度提升 (XGBoost),用于构建预测模型.
- 使用AUC,DCA,混矩阵和特征重要性分析 (SHAP值) 评估模型性能.
主要成果:
- XGBoost模型表现出卓越的性能,AUC为0.873,灵敏度为0.896,特异性为0.838.
- EF的关键预测因素包括pO2,血红蛋白,机械通风率,pH和Apgar分数.
- PO2,血红蛋白和机械通风率被确定为最重要的预测因素.
结论:
- XGBoost模型是一个强大的工具,用于预测BPD新生儿的输出失败.
- 这种预测模型可以帮助临床医生做出有关输出管时间的明智决策.
- 早期识别EF风险可以帮助减少并发症,并改善新生儿BPD的结果.
