基于机器学习的脑儿童独立行走的预后模型的开发和验证
1Children's Rehabilitation Department, The Third Affiliated Hospital of Zhengzhou University, Zhengzhou, China,450052.
Archives of physical medicine and rehabilitation
|May 19, 2025
概括
机器学习模型准确地预测脑 (CP) 儿童的独立行走. 这些工具提供个性化的预后,帮助临床医生评估行走能力和时间,以便更好地照顾患者.
科学领域:
- 儿科神经学 儿科神经学
- 康复医学 康复医学 康复医学
- 生物统计学 生物统计学
背景情况:
- 独立行走是脑 (CP) 儿童的关键发展里程碑.
- 预测行走能力有助于早期干预和个性化护理规划.
- 当前的预测方法可能缺乏精度和通用性.
研究的目的:
- 开发和验证机器学习 (ML) 模型,用于预测CP儿童的独立行走.
- 确定行走能力及其时间的关键预测因素.
- 创建一个用于个性化预后的临床工具.
主要方法:
- 使用来自国家CP注册表 (n=807) 的数据进行了回顾性队列研究.
- 通过电话采访进行后续评估.
- 开发和验证ML模型,包括后勤回归,XGBoost和多层感知.
主要成果:
- 69.5%的孩子在6岁时实现了独立行走.
- 确定了关键预测因素:新生儿窒息,GMFCS水平,坐着的年龄,CP类型,MRI,GMFM-88,,智力障碍,早产,低出生体重.
- ML模型显示出优异的预测性能 (AUC>0.945);逻辑回归率最高.
- 为临床应用开发了一种名图,具有良好的内部验证,但对5-6岁的潜在高估.
结论:
- ML模型准确地预测了CP儿童的独立行走.
- 开发的名图表可以作为临床医生的可解释工具.
- 建议进行外部验证以确认可通用性.
