基于机器学习的早产新生儿食不耐受症风险预测模型的构建和SHAP可解释性分析
Hui Xu1,2, Xingwang Peng3,2, Ziyu Peng2
1Department of Medical Records & Statistics, Affiliated Hospital of Xuzhou Medical University, Xuzhou, Jiangsu, China.
BMC medical informatics and decision making
|November 19, 2024
概括
机器学习可以准确地预测早产新生儿的食不耐受 (FI). 关键因素包括复苏史,益生菌使用和食时间,有助于为更好的婴儿护理做出临床决策.
科学领域:
- 新生儿医学 新生儿医学
- 计算生物学 计算生物学
- 儿科胃肠病学 儿科胃肠病学
背景情况:
- 食不耐受 (FI) 是早产新生儿的一个重大问题,影响他们的成长和增加医疗保健成本.
- 准确预测FI对于及时干预和改善脆弱婴儿的临床管理至关重要.
研究的目的:
- 开发一种高度准确和可解释的机器学习 (ML) 模型,用于预测早产新生儿的食不耐受性 (FI).
- 确定导致FI在这个人群中发展的关键临床因素.
主要方法:
- 对350名住院的早产新生儿进行回顾性分析.
- 机器学习算法的应用,包括后勤回归,决策树,支持向量机器和 eXtreme Gradient Boosting (XGBoost).
- 使用双特征选择和十倍交叉验证来进行模型优化和评估,并使用SHapley添加式扩展 (SHAP) 来实现可解释性.
主要成果:
- XGBoost模型获得了最高的精度 (87.62%) 和AUC (92.2%),超过了其他模型.
- 十倍交叉验证的结果是准确率为83.43%,AUC为89.45%.
- 通过SHAP分析确定的关键预测因素包括复苏史,益生菌使用,牛奶打开时间,便间隔和妊娠年龄.
结论:
- 开发的ML模型为预测早产婴儿FI提供了一个准确和可解释的工具.
- 临床干预措施,如早期牛奶开口,益生菌的使用和刺激排便,可以帮助减少FI的发生.
- 改善围产期护理以减少缺氧和早产,对于预防FI至关重要.
