在非常早产的婴儿中预测神经发育结果:比较机器学习方法与后勤回归

科学领域:

• 新生儿医学 新生儿医学
• 发育儿科 发育儿科
• 医疗保健中的机器学习

背景情况:

• 过早出生的婴儿面临神经发育障碍 (NDI) 的风险.
• 准确预测NDI对于及时干预至关重要.
• 像逻辑回归 (LR) 这样的传统方法也有局限性.

研究的目的:

• 将机器学习 (ML) 模型与逻辑回归 (LR) 进行比较,用于预测非常早产婴儿的NDI.
• 开发和验证一个ML模型,使用临床预测NDI的临床预测因子,在36个月的校正年龄.

主要方法:

• 对非常早产婴儿 (<31周妊娠期) 的回顾性队列研究.
• 开发和内部验证LR,弹性网 (EN),随机森林 (RF) 和梯度增强 (XGB) 模型.
• 基于歧视 (AUC),校准和诊断属性的比较.

主要成果:

• 随机森林 (RF) 在预测NDI方面表现优异,与XGB (0.74),EN (0.74) 和LR (0.73) 相比,AUC (0.79) 更高.
• 所有模型都显示出良好的区别,但RF提供了最好的预测准确度.
• 重叠的置信区间表明进一步验证是有益的.

结论:

• 随机森林 (RF) 在预测非常早产婴儿的神经发育障碍方面优于后勤回归 (LR).
• 准确的NDI预测有助于早期干预和资源分配.
• ML模型为识别有风险的早产婴儿提供了一个有希望的方法.