开发一种神经网络模型,用于早期检测严重病患儿童的肌素变化
Celeste G Dixon1, Eduardo A Trujillo Rivera1, Anita K Patel1
1Department of Pediatrics, Division of Critical Care Medicine, Children's National Hospital, George Washington University School of Medicine and Health Sciences, Washington, DC, United States.
Frontiers in pediatrics
|April 21, 2025
概括
机器学习可以预测重症儿童的24小时肌素变化,早期识别功能障碍风险. 这有助于在临床检测之前及时进行干预,改善儿科重症监护病房患者的治疗结果.
科学领域:
- 儿科脏病学 儿科脏病学
- 关键护理医学 关键护理医学
- 生物医学信息学 生物医学信息学
背景情况:
- 功能障碍是重症儿童的一个重大问题,增加了发病率和死亡率.
- 目前的诊断依赖于肌素,这是对损伤反应延迟的标志物.
- 早期预测功能障碍对于及时干预至关重要.
研究的目的:
- 开发和验证一种机器学习模型,以预测重症儿童的24小时肌素变化.
- 在临床上显而易见之前,识别有重大功能障碍风险的儿童.
主要方法:
- 对39932名儿科重症监护病房患者进行了回顾性队列研究.
- 使用人口统计,生命体征,实验室测试和药物训练了一个神经网络模型.
- 该模型预测24小时内<50%或≥50%的肌素变化.
主要成果:
- 该模型在预测肌素变化方面实现了68.1%的整体准确性.
- 预测准确性随着较高的摄入肌素水平 (高达96.3%) 显著改善.
- 该模型在检测显著的肌素变化时显示了97.2%的负预测值.
结论:
- 机器学习模型可以预测24小时的肌素变化,使用临床常规数据在重症儿童.
- 这种预测能力为早期识别功能障碍风险提供了一个窗口.
- 临床效用受到依赖肌素作为诊断标记物的影响.
