通过机器学习的应用发现脑的早期预测因素:一个病例对照研究
Sara Rapuc1, Blaž Stres2,3, Ivan Verdenik4
1Department of Pediatric Neurology, University Children's Hospital, University Medical Centre Ljubljana, Ljubljana, Slovenia.
BMJ paediatrics open
|August 30, 2024
概括
使用早期围产因素的机器学习模型在预测脑 (CP) 中取得了有限的成功. 建议将遗传和神经成像数据纳入进一步的研究,以改善CP的预测.
科学领域:
- 神经学 神经学
- 儿科 儿科 儿科
- 医疗信息学 医疗信息学
背景情况:
- 大脑 (CP) 是一种影响儿童发育的重大神经疾病.
- 确定围产期风险因素对于制定CP的有效预防和治疗策略至关重要.
研究的目的:
- 使用机器学习 (ML) 识别脑 (CP) 的早期预测因素.
- 根据围产期数据评估ML算法在预测CP方面的有效性.
主要方法:
- 进行了一项回顾性,基于人口的病例控制研究.
- 使用了斯洛文尼亚国家围产信息系统和脑麻登记册的数据.
- 开发并通过使用338例CP病例和1014例对照,不包括具有先天性异常的患者,验证了增加ML的随机梯度模型.
主要成果:
- 在初级数据集中,表现最好的ML模型实现了0.81的平均ROC值 (灵敏度=0.46,特异性=0.95).
- 在单独的数据集上验证模型,ROC曲线下的面积为0.77 (灵敏度=0.27,特异性=0.94).
结论:
- 基于早期围产因素开发的ML模型显示,在研究的队列中预测CP的可靠性不足.
- 未来的研究应该包含额外的数据,包括遗传和神经成像信息,以增强CP预测模型.
