机器学习模型用于预测早产婴儿的神经认知结果

科学领域:

• 新生儿医学 新生儿医学
• 医疗保健中的人工智能
• 发育儿科 发育儿科

背景情况:

• 在早产婴儿中预测神经认知结果具有挑战性.
• 现有的方法通常依赖于复杂的预测因子,不适合常规临床使用.
• 这项研究探索了机器学习,以使用可访问的新生儿数据改进预测.

研究的目的:

• 调查机器学习在提升早产婴儿神经认知结果预测方面的潜力.
• 将机器学习模型与传统的物流回归进行比较.
• 利用新生儿环境中随时可用的预测因素.

主要方法:

• 开发了机器学习模型 (随机森林,支持矢量机器).
• 从产前和新生儿期的预测因素被用于怀孕30周以下的婴儿.
• 模型使用内部交叉验证进行验证,并与后勤回归进行比较.

主要成果:

• 随机森林和支持矢量机模型实现了0.682 (2年) 和0.695 (5年) 的AUC.
• 观察到高负预测值 (95%和91%) 识别婴儿没有不良结果.
• 机器学习模型显著超过了传统的物流回归.

结论:

• 机器学习为早期识别低风险的早产婴儿提供了有前途的方法,这些婴儿具有不良神经认知结果的低风险.
• 虽然整体预测性表现适度,但高的NPV具有临床价值.
• 未来的研究应该探索将各种常规临床数据 (如生命体征时间序列) 整合到预测模型中.