决策树分析预测极低出生体重婴儿大规模肺出血:全国大型队列数据库

科学领域:

• 新生儿医学 新生儿医学
• 医疗保健中的机器学习
• 临床预测建模模型

背景情况:

• 大规模肺出血 (MPH) 和相关死亡率对极低出生体重婴儿 (ELBWI) 构成重大风险.
• 准确预测MPH和死亡率对于及时干预和改善新生儿结果至关重要.

研究的目的:

• 开发和验证一个决策树模型,用于预测ELBWIs的MPH和MPH相关死亡率.
• 确定导致MPH和脆弱人群死亡的关键临床风险因素.

主要方法:

• 一个国家多中心潜在的基于网络的注册表的回顾性分析 (2013年1月 - 2020年12月).
• 机器学习算法的应用,特别是C5.0决策树模型,用于预测规则开发.
• 采用数据预处理,属性选择和修剪技术来优化模型并最大限度地减少过拟合.

主要成果:

• 该研究包括5752名ELBWIs,MPH发病率为11.5%,MPH患者死亡率为20.5%.
• 对于MPH的关键预测因素包括妊娠年龄 (GA) ≤25周+2天,APGAR分数在5分钟≤7,以及多胎妊娠.
• 对于MPH相关的死亡率,主要预测因素是GA ≤25周+2天和APGAR分数在5分钟≤2.2.
• C5.0 MPH模型的AUC为88.2% (培训) 和89.0% (测试),而死亡模型的AUC为97.7% (培训) 和97.4% (测试).

结论:

• 一个C5.0决策树模型有效地使用临床风险因素预测ELBWIs的MPH和MPH相关死亡率.
• 这种模型有助于早期识别高风险婴儿,使得及时干预能够改善新生儿的结果.
• 建议在更大的多中心队列中进一步验证,以便在例行实施之前评估这种风险分层工具的临床适用性和有效性.