低代码人工智能平台的可行性和有效性,用于开发新生儿多模式疼痛分类模型
Nannan Yang1, Xiaosong Jiang2, Xue Jin2
1Department of Nursing, Nanjing Drum Tower Hospital Clinical College of Nanjing University of Chinese Medicine, Nanjing, Jiangsu, People's Republic of China.
Journal of multidisciplinary healthcare
|September 19, 2025
概括
低代码的人工智能平台使有效的新生儿疼痛分类模型开发成为可能. 这种方法弥合了研究与实践之间的差距,使临床医生能够创建可访问的AI工具,以改善婴儿疼痛管理.
科学领域:
- 新生儿护理 新生儿护理
- 医学中的人工智能
- 机器学习用于医疗保健
背景情况:
- 人工智能 (AI) 在新生儿疼痛识别方面表现有前途,但临床应用受复杂的算法限制.
- 低代码的人工智能开发平台通过简化人工智能模型创建以实现实际使用提供了一个解决方案.
研究的目的:
- 评估使用低代码人工智能平台 (EasyDL) 构建和验证新生儿多模式疼痛分类模型的可行性.
- 为临床医生创建一种可访问,具有成本效益的方法,在没有高级编程技能的情况下开发AI工具.
主要方法:
- 一个新生儿多模式疼痛数据集 (426个细分) 用于通过AutoML在EasyDL平台上训练一个视频分类模型.
- 该模型经过内部测试和对N-PASS分数进行外部验证,并使用前性数据.
主要成果:
- 人工智能模型在内部验证中实现了89.6%的准确性和85.8%的F1得分.
- 外部验证显示,所有疼痛水平的准确率为87.7%,AUC>0.95.
- 该模型已通过API成功部署到Android设备,用于临床使用.
结论:
- 使用低代码AI开发新生儿多模式疼痛分类模型是可行的和有效的.
- 这种方法促进了AI的民主化,使临床医生能够为新生儿疼痛管理创建AI解决方案.
