在早产婴儿中开发和验证可解释的脑损伤模型:一个前性队列研究
Zhijie He1, Ruiqi Zhang2, Pengfei Qu3
1Northwest Women's and Children's Hospital, No. 1616 Yanxiang Road, Xi'an, 710061, China; College of Life Sciences, Northwest A&F University, Yangling, 712100, China.
Computer methods and programs in biomedicine
|December 21, 2024
概括
这项研究开发了PBIPred,这是一种用于早期早产儿脑损伤检测的机器学习模型. 它确定了机械通风和贫血等关键风险因素,有助于及时诊断和管理这种危急的情况.
科学领域:
- 新生儿医学 新生儿医学
- 计算生物学 计算生物学
- 医疗信息学 医疗信息学
背景情况:
- 早产脑损伤 (PBI) 是早产婴儿的重大并发症,导致严重的神经缺陷.
- 早期发现PBI至关重要,但由于非特异性的早期症状,导致潜在的误诊,这是具有挑战性的.
- 目前没有针对PBI的特定治疗方法,强调了早期识别和干预的必要性.
研究的目的:
- 开发和验证可解释的机器学习 (ML) 模型,用于早期检测早产婴儿的PBI.
- 确定与PBI相关的全患者和个体风险因素.
- 为临床诊断和预测PBI创建可访问的工具.
主要方法:
- 利用一组650名早产婴儿 (2019-2021) 的医疗记录,通过头骨MRI识别PBI.
- 采用了14个ML模型,具有10倍的交叉验证和SHAP进行解释,然后进行特征选择.
- 在一个独立的测试集上验证了最终的模型,以评估预测性能.
主要成果:
- CatBoost模型被改进为PBIPred (早期脑损伤预测器),在独立测试组中实现了0.8229的AUC.
- 使用七个关键特征构建了PBIPred,证明了PBI的强大预测准确性.
- 确定了PBI的积极风险因素:机械通风,体重,早产性贫血,呼吸困扰综合征,白蛋白和白细胞计数.
结论:
- PBIPred为早期PBI检测提供了一种可靠和可解释的基于ML的方法.
- 鉴定的风险因素为临床风险评估和管理策略提供了宝贵的见解.
- 开发了用于临床应用和研究的免费访问的网络服务器和工具 (PBIPred).
