使用机器学习算法开发和验证用于医院内运输的新生儿低温预测模型:单中心回顾性研究
Wenyan Zhang1, Xiaoying Gu1, Chunjie Gu1
1Department of Neonatology, Shanghai Key Laboratory of Maternal Fetal Medicine, Shanghai Institute of Maternal-Fetal Medicine and Gynecologic Oncology, Shanghai First Maternity and Infant Hospital, School of Medicine, Tongji University, Shanghai, 200092, People's Republic of China.
Journal of multidisciplinary healthcare
|June 9, 2025
概括
新生儿在医院运输期间的低温是常见的. 随机森林机器学习模型有效地预测了低温风险,识别了早期干预的妊娠年龄和体重等关键因素.
科学领域:
- 新生儿医学 新生儿医学
- 医疗保健中的机器学习
- 临床信息学 临床信息学
背景情况:
- 新生儿在医院运输期间的低温症是一个重大的临床挑战.
- 早期识别和干预对于改善新生儿结果至关重要.
研究的目的:
- 开发和验证一种机器学习模型,用于预测新生儿在医院运输期间的低温.
- 识别和排名与运输期间新生儿低温相关的关键风险因素.
主要方法:
- 利用了9,060名新生儿的临床数据,使用LASSO回归进行变量选择.
- 在运输温度数据上训练和评估了六个机器学习算法 (DT,RF,XGBoost,SVM,ANN,NB).
- 使用AUC,F1得分,精度,灵敏度,特异性和校准测试来评估模型性能.
主要成果:
- 超过55%的新生儿在运输过程中经历过低温.
- 随机森林 (RF) 模型实现了卓越的性能,测试组AUC为0.962和准确度为0.889.
- 确定了十个重要的风险因素,包括妊娠年龄,体重和出生后的直接接触.
结论:
- 低温症的高发病率强调了对预测工具的需求.
- 基于射频的模型提供了强大的预测和概括能力,用于识别有风险的新生儿.
- 为医疗保健提供者提供可操作的见解,以减轻新生儿运输期间的低温风险.
