可互操作的模型用于识别患有神经疾病发病风险的重症儿童

科学领域:

• 儿科重症监护医学 儿科重症监护医学
• 神经科学是一个神经科学.
• 医疗保健中的人工智能

背景情况:

• 减少儿科重症监护死亡率将重点转移到神经发育结果.
• 早期发现神经病态发病率对于及时干预至关重要.
• 开发预测模型可以加强对有风险儿童的监测.

研究的目的:

• 开发机器学习模型,以识别重症儿童的获得性神经病态.
• 评估这些模型与基于血清的脑损伤生物标志物之间的相关性.
• 改善儿童重症监护中的神经发育潜力的保存.

主要方法:

• 一项使用来自两个四级儿科重症监护病房 (发展和外部验证) 的数据进行预后研究.
• 开发和验证了机器学习模型 (极端梯度增强).
• 神经病态发病率是主要结果,由复合标准或神经临床护理咨询定义.
• 评估了与血清生物标志物 (质纤维酸蛋白) 的相关性.

主要成果:

• 一个可概括的模型在验证地点获得了F1得分0.37和AUC0.81.
• 需要发出警报的数字是4,在重新校准后的布赖尔分数为0.04.
• 血清质纤维酸蛋白水平与模型预测有显著的相关性 (rs=0.34,P=.007).

结论:

• 这项研究展示了一种表现良好的机器学习模型,用于预测重症儿童的神经病发率.
• 生物分子证实支持该模型的临床相关性.
• 这些生物标志物合风险模型的进一步前性验证和完善是有必要的.