一项基于肺超声波得分和临床指标的机器学习研究,以预测NRDS严重程度

科学领域:

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

背景情况:

• 新生儿呼吸困扰综合征 (NRDS) 是新生儿发病的一个重要原因.
• 准确预测NRDS严重程度对于及时和适当的临床干预至关重要.

研究的目的:

• 开发和评估用于预测新生儿呼吸困扰综合征 (NRDS) 严重性的机器学习模型.
• 在NRDS严重性预测中比较后勤回归,随机森林,人工神经网络和支持矢量机算法的性能.

主要方法:

• 研究了一组230名新生儿,其中119名被诊断为NRDS.
• 数据包括氧化指数 (OI),SOFA分数,呼吸指数 (RI) 和肺超声波分数 (LUS).
• 最小绝对缩小和选择运算符 (LASSO) 回归确定了后勤回归 (LR),随机森林 (RF),人工神经网络 (NN) 和支持向量机 (SVM) 模型的预测变量.

主要成果:

• 与非NRDS组相比,NRDS组的LUS,SOFA和RI得分显著更高,OI值更低.
• 确定了LUS,OI,RI和SOFA分数作为NRDS严重程度的关键预测指标.
• 射频模型实现了最高的性能,AUC为0.894,超过了LR,NN和SVM模型的性能.

结论:

• 机器学习模型,特别是射频模型,可以准确预测NRDS的严重程度.
• 这些预测模型可以增强临床决策和改善NRDS新生儿的管理.