基于早期出生数据的机器学习,用于预测周产期脑损伤的预测模型

科学领域:

• 新生儿医学 新生儿医学
• 医疗保健中的机器学习
• 医学成像分析 医学成像分析

背景情况:

• 预测围产期脑损伤具有挑战性,通常依赖于主观的临床怀疑.
• 脑磁共振成像 (MRI) 是至关重要的,但它的时间和必要性可能很难确定.
• 使用早期数据开发可靠的预测方法对于及时干预至关重要.

研究的目的:

• 开发和验证用于预测围产期脑损伤的机器学习模型.
• 利用随时可用的早期出生数据进行预测建模.
• 提高新生儿脑损伤诊断的准确性和效率.

主要方法:

• 在179名新生儿的早产数据上训练了一种渐变增强机器学习模型.
• 合成少数人过量采样技术 (SMOTE) 和自适应合成采样技术 (ADASYN) 用于处理类不平衡.
• 用准确度,F1分数和ROC曲线评估模型性能,分析特征重要性和SHAP值.

主要成果:

• 与ADASYN结合的梯度增强模型在预测围产期脑损伤方面表现出卓越的性能.
• 关键的区分因素包括输送方式,阿巴格评分,毛细血管pH值,乳酸脱酶 (LDH) 水平和治疗性低温症.
• 一分钟的Apgar评分被确定为最有影响力的预测指标,而LDH水平显示出最高的SHAP值.

结论:

• 开发的机器学习模型,特别是ADASYN过量采样,为预测围产期脑损伤提供了有效的工具.
• 这种预测能力可以提高早期检测,可能导致新生儿的更好的长期结果.
• 该模型可能有助于减少不必要的MRI扫描的频率,从而降低医疗保健支出.