在早产婴儿2岁时识别和表征神经发育结果的统计学习:使用英格兰和威尔士人口级数据开发和验证模型

科学领域:

• 神经科学是一个神经科学.
• 发育儿科 发育儿科
• 统计学学习 统计学学习

背景情况:

• 过早出生的儿童患神经发育障碍的风险更高.
• 以前的研究使用了有限的,单一域的分类.
• 本研究使用大型国家数据库上的统计学习来找到更广泛的损伤模式.

研究的目的:

• 确定早产儿神经发育障碍的不同集群.
• 确定这些集群的孕产妇和新生儿预测因素.
• 通过临床结果验证这些集群.

主要方法:

• 隐藏类分析 (LCA) 在英国国家新生儿研究数据库 (N=27,261) 中用于跨域集群.
• 父母报告的视觉,听觉,神经运动和沟通障碍在两岁时得到了纠正.
• 在威尔士样本 (N=975) 中复制和临床验证脑,贝利尺度和全球延迟评估.

主要成果:

• 确定并复制了四个同质的集群:典型发育,沟通障碍,神经运动障碍和多重神经疾病.
• 新生儿脑损伤预测神经运动和多重神经疾病.
• 出生体重,妊娠年龄,社会经济贫困和性别是沟通障碍的更强的预测因素,而不是早产并发症.

结论:

• 使用LCA.使用LCA,首次证实过域神经发育障碍在早产后.
• 社会人口统计学和周产期因素,而不是并发症,增加了沟通障碍的风险.
• 以数据为导向的方法可以对有风险的早产儿进行分层,以提供有针对性的支持.