在新生儿中预测 patent ductus arteriosus 的风险:机器学习分析
Ana Maria Cristina Jura1,2, Daniela Eugenia Popescu1,2, Cosmin Cîtu1
1Department of Obstetrics and Gynecology, "Victor Babeş" University of Medicine and Pharmacy, Eftimie Murgu Sq. No. 2, 300041 Timişoara, Romania.
Medicina (Kaunas, Lithuania)
|April 26, 2025
概括
机器学习模型有效地预测新生儿的专利动脉管 (PDA) 风险. 诸如妊娠年龄和母亲健康等因素对PDA发育有重大影响,使得针对性的干预措施能够改善新生儿的结果.
科学领域:
- 新生儿医学 新生儿医学
- 生物统计学 生物统计学
- 医疗保健中的机器学习
背景情况:
- 专利性动脉管 (PDA) 是新生儿中普遍存在的疾病,导致显著的发病率和死亡率.
- 虽然母亲和新生儿因素被认为是PDA的贡献者,但先进的预测建模仍然未得到充分利用.
研究的目的:
- 评估母亲病态,药物和新生儿因素对PDA风险的影响.
- 将传统的统计方法与PDA预测的机器学习 (ML) 算法进行比较.
主要方法:
- 对201名NICU新生儿进行了3年的回顾性队列研究.
- 使用后勤回归 (LR),随机森林 (RF) 和XGBoost (XGB) 进行预测分析.
- 通过统计和ML建模,确定了PDA的关键预测因素.
主要成果:
- LR确定长时间膜破裂 (>18小时) 是一个显著的预测因素 (OR:13.03).
- ML模型突出了妊娠年龄,孕妇贫血,出生体重和各种孕妇疾病作为PDA的关键预测因素.
- XGBoost实现了81.4%的准确性,AUC为0.872,显示出卓越的预测性能.
结论:
- 孕产妇和新生儿的因素对PDA风险有很大影响.
- 机器学习,特别是XGBoost,为PDA提供了增强的预测准确性.
- 基于ML的洞察力可以指导针对性的干预措施,以改善PDA病例中的新生儿结果.
