超声波与血清学标记器相结合,用于预测新生儿死性肠球炎:一种机器学习方法
Yi Yang1, Shoulan Zhou1, Xiaomin Liu1
1Department of Ultrasound, Women and Children's Hospital, School of Medicine, Xiamen University, Xiamen, Fujian, China.
Frontiers in pediatrics
|July 29, 2025
概括
结合超声波和血清学标记物的新机器学习模型显著改善了早产婴儿死性肠球炎 (NEC) 的预测,使得早期诊断和干预成为可能.
科学领域:
- 新生儿医学 新生儿医学
- 医疗信息学 医疗信息学
- 医疗保健中的人工智能
背景情况:
- 新生儿死性肠球炎 (NEC) 是早产婴儿疾病和死亡的主要原因.
- 目前的诊断方法缺乏早期检测的敏感性.
- 早期诊断对于及时干预和改善结果至关重要.
研究的目的:
- 开发和验证一个机器学习 (ML) 模型,以改善NEC预测.
- 整合超声波和血清学标记器,以提高诊断准确度.
- 为了比较多式模式的性能与单式模式的方法.
主要方法:
- 对191名新生儿进行了回顾性病例控制研究 (NEC病例和对照).
- 数据包括临床变量,超声检测结果和血清学标记.
- 评估了12个ML算法,选择和优化了XGBoost;利用可解释AI (XAI) 来确定特征的重要性.
主要成果:
- 优化的XGBoost融合模型 (USPN) 在验证集中实现了0.88的AUC (灵敏度0.73,特异性1.00).
- 仅使用超声波 (AUC 0.73) 或血清学标志物 (AUC 0.79) 的USPN模型表现优于USPN模型.
- 关键预测因素包括肠周心平衡,C-反应蛋白,白蛋白,肠厚度和前素.
结论:
- 综合超声波和血清学标记物的多式ML方法显著提高了新生儿的NEC预测.
- 这种模型为高风险婴儿的早期诊断和干预提供了潜力.
- 与单一模式诊断方法相比,USPN模型显示出更高的性能.
