数字生物标志物作为新生儿脑病变中脑损伤的预测因素
Nahla Zaghloul1, Neel Kamal Singh1, Weihuang Xu2
1Division of Neonatology, Department of Pediatrics, University of Florida, Gainesville, FL, United States.
Frontiers in pediatrics
|September 15, 2025
概括
来自床边监测的数字生物标志物可以预测治疗性低温 (TH) 的新生儿的脑损伤. 机器学习模型准确地识别了损伤严重程度,有助于对新生儿脑病变 (NE) 的临床决定.
科学领域:
- 新生儿神经学 新生儿神经学
- 生物医学工程 生物医学工程
- 机器学习在医疗保健中的应用
背景情况:
- 新生儿脑病变 (NE) 是神经发育障碍的主要原因.
- 治疗性低温 (TH) 是NE的标准护理,但早期预测脑损伤至关重要.
- 目前的方法缺乏可靠的生物标志物来预测TH期间的损伤严重程度.
研究的目的:
- 探索来自持续生理监测的数字生物标志物,用于预测NE新生儿的MRI确诊脑损伤.
- 开发和评估机器学习模型,用于TH期间早期风险分层.
- 为了确定预测NE相关脑损伤的关键生理参数.
主要方法:
- 在138名接受TH的NE新生儿中,对心率,SpO2,rcSO2,血压和MAP的持续床边监测.
- 开发长期短期记忆 (LSTM) 神经网络模型,根据MRI对损伤严重程度进行分类 (没有/轻度与中度/严重).
- 评估模型在24小时和48小时后的性能,包括一个废弃性研究,以确定生物标志物的重要性.
主要成果:
- 在48小时后,LSTM模型在预测脑损伤严重程度方面实现了91.2%的准确性,明显高于24小时后的84.6%.
- 心率被确定为预测受伤的最重要的数字生物标志物.
- 大脑氧和 (rcSO2) 显示出潜力,但在以后的模型中并不一致预测.
结论:
- 来自持续监测的数字生物标志物显示出预测TH期间NE新生儿脑损伤严重程度的前景.
- LSTM模型提供实时预测能力,增强临床决策和神经保护策略.
- 未来的研究应该专注于整合实时数据和提高NE管理的预测模型准确性.
