验证一种机器学习算法,用于在大量未见过的数据集中识别患有缺氧性缺血性脑病变的婴儿

科学领域:

• 新生儿医学 新生儿医学
• 临床信息学 临床信息学
• 医疗保健中的机器学习

背景情况:

• 缺氧缺血性脑病变 (HIE) 是一种严重的分娩并发症,需要及时识别.
• 准确预测新生儿的HIE风险对于及时干预至关重要.
• 现有的方法可能无法充分利用现有临床数据进行即时的产后风险评估.

研究的目的:

• 验证一个开源预测算法,用于识别出生后立即有HIE风险的婴儿.
• 用常见的临床变量来评估算法的性能.
• 确定机器学习在早期HIE检测中的实用性.

主要方法:

• 在第三级产科医院进行过期分娩 (2017年1月至2021年12月) 的电子健康记录的二次分析.
• 包括怀孕36周以上的婴儿,具有可用的阿帕格分数,产后pH值,基缺乏和出生后1小时内的乳酸.
• 应用物流回归和随机森林 (RF) 算法来计算HIE概率指数 (PI).

主要成果:

• 随机森林模型在预测HIE方面表现出卓越的准确性.
• 该算法实现了HIE预测的接收器操作特征曲线 (0.926) 下的高面积.
• 通过优化的切断值 (PI=0.30),该算法正确分类了86.5%的婴儿,显示了HIE和非HIE组之间的显著差异 (p<0.001).

结论:

• 一个开源算法有效地识别婴儿在直接产后期的HIE风险,使用一个大,看不见的数据集.
• 这种预测工具可以指导专注的临床检查,并促进及时干预.
• 该算法的验证支持其在改善患有HIE风险的新生儿护理方面的潜在作用.