结合人工智能和常规统计数据,以使用常规收集的临床变量预测非常早产婴儿的支气管肺功能障碍

科学领域:

• 新生儿医学 新生儿医学
• 计算生物学 计算生物学
• 儿科肺病学 儿科肺病学

背景情况:

• 支气管肺功能障碍症 (BPD) 是非常早产婴儿的重大风险,早产是主要预测因素.
• 以前的研究主要使用常规统计来确定BPD风险因素,有限的应用人工智能 (AI) 和机器学习 (ML).
• 现有的AI/ML研究往往侧重于特定干预措施的预测能力,而不是全面识别风险因素.

研究的目的:

• 将ML算法应用于例行收集的临床数据,以确定可预测非常早产婴儿BPD的变量.
• 通过ML识别的风险因素与通过传统统计方法识别的风险因素进行比较.
• 探索ML在发现超出已知的预测因素的新型BPD风险因素方面的潜力.

主要方法:

• 招募非常早产的婴儿,并收集全面的产前,产周和产后临床数据.
• 使用传统的统计方法开发BPD预测模型.
• 应用和评估九个监督的ML算法用于BPD预测,将其性能与传统统计数据进行比较.

主要成果:

• 传统的统计和ML都确定了婴儿不成熟 (低妊娠年龄/出生体重),需要机械呼吸,以及动脉中缺席或逆转的末端透气流 (AREDF) 作为重要的BPD风险因素.
• 这两种方法也确定了额外的临床变量,具有潜在的BPD预测价值.
• 该研究比较了ML模型的发现与传统统计分析的发现.

结论:

• 机器学习算法为传统统计提供了有价值的补充,用于识别非常早产婴儿中BPD的新风险因素.
• 通过ML和传统统计数据独立识别AREDF强调了详细的产前数据在新生儿疾病预测模型中的重要性.
• 整合ML方法可以增强对BPD发展的理解和预测,可能导致改善临床管理策略.